tensorflow.keras实现Inception V3模型

最新推荐文章于 2023-06-21 09:17:06 发布
最新推荐文章于 2023-06-21 09:17:06 发布
阅读量827 收藏 1
点赞数
分类专栏： NLP学习历程 文章标签： 人工智能 机器学习 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_37499519/article/details/121583351
版权

参考简书链接： 深度神经网络Google Inception Net-V3结构图 - 简书

模型结构如下：

 代码如下：

from tensorflow.keras import Sequential,layers,Model


# 处理后的值
def my_cnn2d(input_value,my_filters,my_kernel_size,my_strides=1,my_padding='valid'):
    x=layers.Conv2D(filters=my_filters,kernel_size=my_kernel_size,strides=my_strides,padding=my_padding)(input_value)
    x=layers.BatchNormalization()(x)
    x=layers.Activation('relu')(x)
    return x
def block_1_1(input_value):

    conv_1_1=my_cnn2d(input_value=input_value,my_kernel_size=1,my_filters=64,my_padding='same')
    
    conv_2_1=my_cnn2d(input_value=input_value,my_kernel_size=1,my_filters=48,my_padding='same')
    conv_2_2=my_cnn2d(input_value=conv_2_1,my_kernel_size=5,my_filters=64,my_padding='same')
    
    conv_3_1=my_cnn2d(input_value=input_value,my_kernel_size=1,my_filters=64,my_padding='same')
    conv_3_2=my_cnn2d(input_value=conv_3_1,my_kernel_size=3,my_filters=96,my_padding='same')
    conv_3_3=my_cnn2d(input_value=conv_3_2,my_kernel_size=3,my_filters=96,my_padding='same')
    
    conv_4_1=layers.AveragePooling2D(pool_size=(3,3),strides=1,padding='same')(input_value)
    conv_4_2=my_cnn2d(input_value=conv_4_1,my_kernel_size=1,my_filters=32,my_padding='same')
    
    
    
    return layers.Concatenate()([conv_1_1,conv_2_2,conv_3_3,conv_4_2])
    
    
    

def block_1_2(input_value):
    conv_1_1=my_cnn2d(input_value=input_value,my_kernel_size=1,my_filters=64,my_padding='same')
    
    conv_2_1=my_cnn2d(input_value=input_value,my_kernel_size=1,my_filters=48,my_padding='same')
    conv_2_2=my_cnn2d(input_value=conv_2_1,my_kernel_size=5,my_filters=64,my_padding='same')
    
    conv_3_1=my_cnn2d(input_value=input_value,my_kernel_size=1,my_filters=64,my_padding='same')
    conv_3_2=my_cnn2d(input_value=conv_3_1,my_kernel_size=3,my_filters=96,my_padding='same')
    conv_3_3=my_cnn2d(input_value=conv_3_2,my_kernel_size=3,my_filters=96,my_padding='same')
    
    conv_4_1=layers.AveragePooling2D(pool_size=(3,3),strides=1,padding='same')(input_value)
    conv_4_2=my_cnn2d(input_value=conv_4_1,my_kernel_size=1,my_filters=64,my_padding='same')
    
    return layers.Concatenate()([conv_1_1,conv_2_2,conv_3_3,conv_4_2])


def block_1_3(input_value):
    conv_1_1=my_cnn2d(input_value=input_value,my_kernel_size=1,my_filters=64,my_padding='same')
    
    conv_2_1=my_cnn2d(input_value=input_value,my_kernel_size=1,my_filters=48,my_padding='same')
    conv_2_2=my_cnn2d(input_value=conv_2_1,my_kernel_size=5,my_filters=64,my_padding='same')
    
    conv_3_1=my_cnn2d(input_value=input_value,my_kernel_size=1,my_filters=64,my_padding='same')
    conv_3_2=my_cnn2d(input_value=conv_3_1,my_kernel_size=3,my_filters=96,my_padding='same')
    conv_3_3=my_cnn2d(input_value=conv_3_2,my_kernel_size=3,my_filters=96,my_padding='same')
    
    conv_4_1=layers.AveragePooling2D(pool_size=(3,3),strides=1,padding='same')(input_value)
    conv_4_2=my_cnn2d(input_value=conv_4_1,my_kernel_size=1,my_filters=64,my_padding='same')
    
    return layers.Concatenate()([conv_1_1,conv_2_2,conv_3_3,conv_4_2])


def block_2_1(input_value):
    layer_1_1=my_cnn2d(input_value=input_value,my_filters=384,my_kernel_size=3,my_strides=2)
    
    layer_2_1=my_cnn2d(input_value=input_value,my_filters=64,my_kernel_size=1,my_padding='same')
    layer_2_2=my_cnn2d(input_value=layer_2_1,my_filters=96,my_kernel_size=3,my_padding='same')
    layer_2_3=my_cnn2d(input_value=layer_2_2,my_filters=96,my_kernel_size=3,my_strides=2)
    
    layer_3_1=layers.MaxPool2D(pool_size=3,strides=2)(input_value)
    
    return layers.Concatenate()([layer_1_1,layer_2_3,layer_3_1])
    
def block_2_2(input_value):
    layer_1_1=my_cnn2d(input_value=input_value,my_filters=192,my_kernel_size=1,my_padding='same')
    
    layer_2_1=my_cnn2d(input_value=input_value,my_filters=128,my_kernel_size=1,my_padding='same')
    layer_2_2=my_cnn2d(input_value=layer_2_1,my_filters=128,my_kernel_size=(1,7),my_padding='same')
    layer_2_3=my_cnn2d(input_value=layer_2_2,my_filters=192,my_kernel_size=(7,1),my_padding='same')
  
    layer_3_1=my_cnn2d(input_value=input_value,my_filters=128,my_kernel_size=(1,1),my_padding='same')
    layer_3_2=my_cnn2d(input_value=layer_3_1,my_filters=128,my_kernel_size=(7,1),my_padding='same')
    layer_3_3=my_cnn2d(input_value=layer_3_2,my_filters=128,my_kernel_size=(1,7),my_padding='same')
    layer_3_4=my_cnn2d(input_value=layer_3_3,my_filters=128,my_kernel_size=(7,1),my_padding='same')
    layer_3_5=my_cnn2d(input_value=layer_3_4,my_filters=192,my_kernel_size=(1,7),my_padding='same')
    
    layer_4_1=layers.MaxPool2D(pool_size=3,strides=1,padding='same')(input_value)
    layer_4_2=my_cnn2d(input_value=layer_4_1,my_filters=192,my_kernel_size=(1,1),my_padding='same')

    return layers.Concatenate()([layer_1_1,layer_2_3,layer_3_5,layer_4_2])
    
def block_2_3(input_value):
    layer_1_1=my_cnn2d(input_value=input_value,my_filters=192,my_kernel_size=1,my_padding='same')
    
    layer_2_1=my_cnn2d(input_value=input_value,my_filters=160,my_kernel_size=1,my_padding='same')
    layer_2_2=my_cnn2d(input_value=layer_2_1,my_filters=160,my_kernel_size=(1,7),my_padding='same')
    layer_2_3=my_cnn2d(input_value=layer_2_2,my_filters=192,my_kernel_size=(7,1),my_padding='same')
  
    layer_3_1=my_cnn2d(input_value=input_value,my_filters=160,my_kernel_size=(1,1),my_padding='same')
    layer_3_2=my_cnn2d(input_value=layer_3_1,my_filters=160,my_kernel_size=(7,1),my_padding='same')
    layer_3_3=my_cnn2d(input_value=layer_3_2,my_filters=160,my_kernel_size=(1,7),my_padding='same')
    layer_3_4=my_cnn2d(input_value=layer_3_3,my_filters=160,my_kernel_size=(7,1),my_padding='same')
    layer_3_5=my_cnn2d(input_value=layer_3_4,my_filters=192,my_kernel_size=(1,7),my_padding='same')
    
    layer_4_1=layers.MaxPool2D(pool_size=3,strides=1,padding='same')(input_value)
    layer_4_2=my_cnn2d(input_value=layer_4_1,my_filters=192,my_kernel_size=(1,1),my_padding='same')

    return layers.Concatenate()([layer_1_1,layer_2_3,layer_3_5,layer_4_2])

def block_2_4(input_value):
    layer_1_1=my_cnn2d(input_value=input_value,my_filters=192,my_kernel_size=1,my_padding='same')
    
    layer_2_1=my_cnn2d(input_value=input_value,my_filters=160,my_kernel_size=1,my_padding='same')
    layer_2_2=my_cnn2d(input_value=layer_2_1,my_filters=160,my_kernel_size=(1,7),my_padding='same')
    layer_2_3=my_cnn2d(input_value=layer_2_2,my_filters=192,my_kernel_size=(7,1),my_padding='same')
  
    layer_3_1=my_cnn2d(input_value=input_value,my_filters=160,my_kernel_size=(1,1),my_padding='same')
    layer_3_2=my_cnn2d(input_value=layer_3_1,my_filters=160,my_kernel_size=(7,1),my_padding='same')
    layer_3_3=my_cnn2d(input_value=layer_3_2,my_filters=160,my_kernel_size=(1,7),my_padding='same')
    layer_3_4=my_cnn2d(input_value=layer_3_3,my_filters=160,my_kernel_size=(7,1),my_padding='same')
    layer_3_5=my_cnn2d(input_value=layer_3_4,my_filters=192,my_kernel_size=(1,7),my_padding='same')
    
    layer_4_1=layers.MaxPool2D(pool_size=3,strides=1,padding='same')(input_value)
    layer_4_2=my_cnn2d(input_value=layer_4_1,my_filters=192,my_kernel_size=(1,1),my_padding='same')

    return layers.Concatenate()([layer_1_1,layer_2_3,layer_3_5,layer_4_2])

def block_2_5(input_value):
    
    layer_1_1=my_cnn2d(input_value=input_value,my_filters=192,my_kernel_size=1,my_padding='same')
    
    layer_2_1=my_cnn2d(input_value=input_value,my_filters=192,my_kernel_size=1,my_padding='same')
    layer_2_2=my_cnn2d(input_value=layer_2_1,my_filters=192,my_kernel_size=(1,7),my_padding='same')
    layer_2_3=my_cnn2d(input_value=layer_2_2,my_filters=192,my_kernel_size=(7,1),my_padding='same')
  
    layer_3_1=my_cnn2d(input_value=input_value,my_filters=192,my_kernel_size=(1,1),my_padding='same')
    layer_3_2=my_cnn2d(input_value=layer_3_1,my_filters=192,my_kernel_size=(7,1),my_padding='same')
    layer_3_3=my_cnn2d(input_value=layer_3_2,my_filters=192,my_kernel_size=(1,7),my_padding='same')
    layer_3_4=my_cnn2d(input_value=layer_3_3,my_filters=192,my_kernel_size=(7,1),my_padding='same')
    layer_3_5=my_cnn2d(input_value=layer_3_4,my_filters=192,my_kernel_size=(1,7),my_padding='same')
    
    layer_4_1=layers.MaxPool2D(pool_size=3,strides=1,padding='same')(input_value)
    layer_4_2=my_cnn2d(input_value=layer_4_1,my_filters=192,my_kernel_size=(1,1),my_padding='same')

    return layers.Concatenate()([layer_1_1,layer_2_3,layer_3_5,layer_4_2])

def block_3_1(input_value):
    layer_1_1=my_cnn2d(input_value=input_value,my_filters=192,my_kernel_size=1,my_padding='same')
    layer_1_2=my_cnn2d(input_value=layer_1_1,my_filters=320,my_strides=2,my_kernel_size=3)
    
    layer_2_1=my_cnn2d(input_value=input_value,my_filters=192,my_kernel_size=(1,1),my_padding='same')
    layer_2_2=my_cnn2d(input_value=layer_2_1,my_filters=192,my_kernel_size=(1,7),my_padding='same')
    layer_2_3=my_cnn2d(input_value=layer_2_2,my_filters=192,my_kernel_size=(7,1),my_padding='same')
    layer_2_4=my_cnn2d(input_value=layer_2_3,my_filters=192,my_kernel_size=(3,3),my_strides=2)
    
    layer_3_1=layers.MaxPool2D(pool_size=3,strides=2)(input_value)

    return layers.Concatenate()([layer_1_2,layer_2_4,layer_3_1])

def block_3_2(input_value):
    layer_1_1=my_cnn2d(input_value=input_value,my_kernel_size=1,my_filters=320,my_padding='same')
    
    layer_2_1=my_cnn2d(input_value=input_value,my_kernel_size=1,my_filters=384,my_padding='same')
    layer_2_2_1=my_cnn2d(input_value=layer_2_1,my_kernel_size=(1,3),my_filters=384,my_padding='same')
    layer_2_2_2=my_cnn2d(input_value=layer_2_1,my_kernel_size=(3,1),my_filters=384,my_padding='same')
    layer_2_3=layers.Concatenate()([layer_2_2_1,layer_2_2_2])
    
    layer_3_1=my_cnn2d(input_value=input_value,my_kernel_size=1,my_filters=448,my_padding='same')
    layer_3_2=my_cnn2d(input_value=input_value,my_kernel_size=3,my_filters=384,my_padding='same')
    layer_3_3_1=my_cnn2d(input_value=layer_3_2,my_kernel_size=(1,3),my_filters=384,my_padding='same')
    layer_3_3_2=my_cnn2d(input_value=layer_3_2,my_kernel_size=(3,1),my_filters=384,my_padding='same')
    layer_3_4=layers.Concatenate()([layer_3_3_1,layer_3_3_2])
    
    layer_4_1=layers.AveragePooling2D(pool_size=3,strides=1,padding='same')(input_value)
    layer_4_2=my_cnn2d(input_value=layer_4_1,my_kernel_size=(1,1),my_filters=192,my_padding='same')

    return layers.Concatenate()([layer_1_1,layer_2_3,layer_3_4,layer_4_2])
    
    
    
    

def block_3_3(input_value):
    layer_1_1=my_cnn2d(input_value=input_value,my_kernel_size=1,my_filters=320,my_padding='same')
    
    layer_2_1=my_cnn2d(input_value=input_value,my_kernel_size=1,my_filters=384,my_padding='same')
    layer_2_2_1=my_cnn2d(input_value=layer_2_1,my_kernel_size=(1,3),my_filters=384,my_padding='same')
    layer_2_2_2=my_cnn2d(input_value=layer_2_1,my_kernel_size=(3,1),my_filters=384,my_padding='same')
    layer_2_3=layers.Concatenate()([layer_2_2_1,layer_2_2_2])
    
    layer_3_1=my_cnn2d(input_value=input_value,my_kernel_size=1,my_filters=448,my_padding='same')
    layer_3_2=my_cnn2d(input_value=input_value,my_kernel_size=3,my_filters=384,my_padding='same')
    layer_3_3_1=my_cnn2d(input_value=layer_3_2,my_kernel_size=(1,3),my_filters=384,my_padding='same')
    layer_3_3_2=my_cnn2d(input_value=layer_3_2,my_kernel_size=(3,1),my_filters=384,my_padding='same')
    layer_3_4=layers.Concatenate()([layer_3_3_1,layer_3_3_2])
    
    layer_4_1=layers.AveragePooling2D(pool_size=3,strides=1,padding='same')(input_value)
    layer_4_2=my_cnn2d(input_value=layer_4_1,my_kernel_size=(1,1),my_filters=192,my_padding='same')

    return layers.Concatenate()([layer_1_1,layer_2_3,layer_3_4,layer_4_2])




input_value=layers.Input(shape=(299,299,3))
conv_1=my_cnn2d(input_value=input_value,my_filters=32,my_kernel_size=(3,3),my_strides=(2,2))

conv_2=my_cnn2d(input_value=conv_1,my_filters=32,my_kernel_size=(3,3),my_strides=(1,1))


conv_3=my_cnn2d(input_value=conv_2,my_filters=64,my_kernel_size=(3,3),my_strides=(1,1))


conv_3=layers.MaxPool2D(pool_size=(3,3),strides=2,padding='same')(conv_3)

conv_4=my_cnn2d(input_value=conv_3,my_kernel_size=(1,1),my_filters=80)
conv_5=my_cnn2d(input_value=conv_4,my_kernel_size=(3,3),my_filters=192)
conv_5=layers.MaxPool2D(pool_size=(3,3),strides=2)(conv_5)

print(conv_5.shape)
blk_1_1=block_1_1(conv_5)
blk_1_2=block_1_2(blk_1_1)
blk_1_3=block_1_3(blk_1_2)

print(blk_1_3.shape)
blk_2_1=block_2_1(blk_1_3)
blk_2_2=block_2_2(blk_2_1)
blk_2_3=block_2_3(blk_2_2)
blk_2_4=block_2_4(blk_2_3)
blk_2_5=block_2_5(blk_2_4)

print(blk_2_5.shape)
blk_3_1=block_3_1(blk_2_5)
blk_3_2=block_3_2(blk_3_1)
blk_3_3=block_3_3(blk_3_2)
print(blk_3_3.shape)


# 自己组装Model
inception_v3_model=Model(inputs=input_value,outputs=blk_3_3)
inception_v3_model.summary()

模型概要：截取部分

 

NLP入门到入土
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
keras实现GoogLeNet-InceptionV1
01-06
GoogLeNet Inception v1 结构 及 pytorch、tensorflow、keras、paddle实现ImageNet识别 环境 python3.6, keras2.2.4, tensorflow-gpu 1.12.0 代码 # -*- coding: utf-8 -*- # @Time : 2020/2/3 9:56 # @Author : Zhao HL # @File : InceptionV1-keras.py import keras from keras.utils import Sequence from keras.layers import * from
解决tensorflow.keras无法引入layers问题
01-06
最近想学习一下Keras，利用Conda创建的TensorFlow2.0环境开始进入Keras。刚开始搭建网络，TensorFlow2.0推荐使用Keras来构建网络结构。但是当我根据教程引入Keras时显示没有这个库。。具体是这样敲的。 报错显示我没有Keras，无法导入。通过网上搜索没发现有效的解决方法。换一种思路去搜索试试，显示TensorFlow没有Keras会不会是由于我的路径错了，会不会是我的TensorFlow版本里Keras放到了其它地方呢？我继续网上搜索tensorflow.keras路径，利用下边的代码可以查看TensorFlow路径和Keras路径。 import t
tensorflow 卷积神经网络 Inception-v3模型 迁移学习
tz_zs的博客
08-31 8933
____tz_zs小练习 案例来源于 《TensorFlow实战Google深度学习框架》 谷歌提供的训练好的Inception-v3模型： https://storage.googleapis.com/download.tensorflow.org/models/inception_dec_2015.zip 案例使用的数据集： http://download.ten
keras实现Inception模块
weixin_47289438的博客
11-17 2568
1.Conv_bn的实现 也就是说，这里默认是卷积后(默认relu) + 一个BN层 另外，这里的形式参数的默认值，取的太巧妙了 反正是’same’模式，高和宽不会改变 当然，你想改的时候，只要改成valid就行了 。 像步长也是可以改的 1x1 、 3x3 、 5x5 通通只要在这个函数完成就行了 函数的封装性真的强大 from keras.models import Model from keras.layers import Dense,add,Input,Flatten,Conv2D,MaxPo
InceptionNet10详细原理（含tensorflow版源码）
Code_and516的博客
03-28 837
InceptionNet10详细原理（含tensorflow版源码）
Tensorflow2.0 keras InceptionResNetV2代码实现
Forrest97的博客
05-16 3177
目录迁移学习自编代码定义卷积单元Stem模块InceptionRes A模块InceptionRes B模块InceptionRes C模块Reduction AReduction BBuild Inception-ResNet补充： 模型介绍请参看：博文 出处:Google AI 迁移学习 首先还是看看标准答案 import tensorflow as tf from tensorflow import keras base_model = keras.applications.Incept
使用TensorFlow Keras手动搭建InceptionV3网络
清风专栏
07-11 1172
导入函数库 import tensorflow as tf import numpy as np import tensorflow_datasets as tfds # 这个是指Tensorflow Datasets import matplotlib.pyplot as plt 定义网络结构 一些参数设置 layers = tf.keras.layers models = tf.keras.models 定义InceptionV3模型用于caltech101物体分类 def conv2d_bn(x,
TensorFlow Keras 使用Inception-resnet-v2模型训练自己的分类数据集（含源码）
weixin_43640369的博客
07-26 4621
TensorFlow Keras 使用Inception-resnet-v2模型训练自己的分类数据集（含源码） 运行环境 TensorFlow 1.13.1 TensorFlow.Keras 2.2.4-tf 简单介绍 使用TensorFlow自带的Inception-resnet-v2模型训练自己的数据集。数据读取用的是TensorFlow自己的Dataset类，且无需转存成TFrecord...
SENet详解及Keras复现代码
个人学习笔记
02-02 7841
SENet详解 论文地址：https://arxiv.org/pdf/1709.01507.pdf 代码地址：https://github.com/hujie-frank/SENet 1、通道间的特征关系 近些年来，卷积神经网络在很多领域上都取得了巨大的突破。而卷积核作为卷积神经网络的核心，通常被看做是在局部感受野上，将空间上（spatial）的信息和特征维度上（channel-wise）的信息进行聚合的信息聚合体。卷积神经网络由一系列卷积层、非线性层和下采样层构成，这样它们能够从全局感受野上去捕获图像的特
InceptionV3的keras实现
liugan528的博客
04-12 780
"""Inception V3 model for Keras. Reference: - [Rethinking the Inception Architecture for Computer Vision]( http://arxiv.org/abs/1512.00567) (CVPR 2016) """ import tensorflow.compat.v2 as tf from tensorflow.keras import backend from tensorflow.k.
tensorflow.keras.datasets.mnist加载的mnist数据集
04-14
通过tensorflow.keras.datasets.mnist.load_data()导入数据集时，由于需要google的服务器，国内无法访问资源。
tf.keras_CNN:使用tensorflow.keras
04-14
tf.keras_CNN 使用tensorflow.keras警告这是我的实践依据。
TensorFlow.keras数据增强Data Augmentation
最新发布
01-28
对于图像数据，将其进行翻转、放缩、平移、旋转操作就可以得到一组新的数据： 1、展示输入输出 一个专门用来打印3张图像的函数 2、调整图像大小 创建ImageDataGenerator 的实例 指定参数加载图像数据 ...
python+tensorflow+keras 基于Inception-v3模型迁移学习处理clatech256分类
01-26
使用keras框架，对Inception-v3模型进行迁移学习，处理caltech256数据集的图像分类问题，现附上可执行代码，与大家分享。数据需要自己进行预处理，分为训练集和验证集。迭代次数都需要自行设定。提供train learning ...
深度学习 - 13.TF x Keras Inception 模块
BITDDD小栈
05-07 1147
一.引言 通过函数式 API，前面已经实现了多输入与多输出的模型，除此之外，函数式 API 还可以实现具有复杂内部拓扑结构的网络。 Keras 中的神经网络可以是层组成的有向无环图，无环代表图不能有循环，即张量 x 不能成为生成 x 的某一层的输入，但是允许循环连接，即循环层的内部循环。 二.Inception 1.模型结构 Inception 是一种流行的卷积神经网络的架构类型，传统的深度卷积模型一味追求深度，虽然模型尺寸很大，但是对应的梯度消失，梯度爆炸，训练时间过长等问题还是比较明显，I.
解决基于keras的inception_v3预训练模型无法下载问题并进行简单调用
qinchaoxia的博客
06-06 717
解决基于keras的inception_v3预训练模型无法下载问题并进行简单调用
tensorflow代码实现：Inception模块
william_hehe的博客
12-12 2003
引言：Inception-v3模型总共有46层，由11个Inception模块组成。import tensorflow as tf slim=tf.contrib.slim#slim.arg_scope函数：第一个参数是一个函数列表，在这个列表中的函数将使用默认的参数取值。 with slim.arg_scope([slim.conv2d,slim.max_pool2d,slim.avg_pool2
第39步 深度学习图像识别：Inception V3建模（Tensorflow）
qq_30452897的博客
06-21 2403
第39步 深度学习图像识别：Inception V3建模（Tensorflow）
Tensorflow框架：InceptionV3网络概念及实现
瞳瞳瞳呀
06-10 1618
卷积神经网络迁移学习-Inception • 有论文依据表明可以保留训练好的inception模型中所有卷积层的参数，只替换最后一层全连接层。在最后 这一层全连接层之前的网络称为瓶颈层。 • 原理：在训练好的inception模型中，因为将瓶颈层的输出再通过一个单层的全连接层，神经网络可以很好 的区分1000种类别的图像，所以可以认为瓶颈层输出的节点向量可以被作为任何图像的一个更具有表达能 力的特征向量。于是在新的数据集上可以直接利用这个训练好的神经网络对图像进行特征提取，然后将提 取得到的特征向量作为输入
帮我生成一段用pycharm运行的用InceptionV3搭建的简单代码，不需要自己操作，不需要tensorflow.keras，且比较少。可以得到训练集和验证集的准确率曲线、损失函数曲线以及交叉熵函数曲线
05-25
from tensorflow.keras.applications.inception_v3 import InceptionV3 from tensorflow.keras.preprocessing.image import ImageDataGenerator # 数据路径 train_data_path = 'path/to/training/data' valid_data...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值