tf.keras中预训练模型的使用及报错解决

本机环境：
Anaconda TensorFlow2.1.0 - CPU
Ubuntu18.04
Python3.7

任务描述：
以上环境下使用tf.Keras搭建CNN，使用Keras Applications内置预训练模块VGG16（不使用自带fc层）；对源数据进行数据增强

方案及报错解决：
1）希望引入VGG系列网络提升网络性能，直接在代码中写入VGG代码效率低下、效果不佳，改用嵌入预训练模块方式；keras使用预训练网络训练有两种方式：Keras Applications和TensorFlow Hub，（具体内容见：https://blog.csdn.net/zimiao552147572/article/details/104134536介绍地很详细）

2）本文使用Keras Applications模块导入VGG16，使用命令：

from tensorflow.keras.applications import VGG16

训练时默认到github下载初始化权重，该权重用imagenet数据集预训练。由于这一模块有500MB左右，网络运行时下载极为缓慢，建议事先下载本地使用。根据程序提示网址或官网：https://github.com/fchollet/deep-learning-models/releases下载。本文下载文件：vgg16_weights_tf_dim_ordering_tf_kernels.h5，带fc层，不带fc层的文件在文件名后有notop标识，本文直接用迅雷下载可行。下载好的h5文件放到本地路径：

~/.keras/models

再运行程序可默认调用本地模块，但本文尝试无效，解决方法为命令：

pre_trained_model = VGG16(input_shape=(96, 96, 3) , include_top=False, weights="imagenet")

中，将weights参数改为上述或其他保存的地址，即可调用，但出现报错：ValueError: You are trying to load a weight file containing 16 layers into a model with 13 layers. 该问题的原因在完成本文时并未深入研究，可能涉及嵌套型神经网络问题，再更。解决方法为：模型定义时，先不使用预训练权重，定义好后再用load_weights函数加载权重，命令如下：

base_model = NASNetLarge(weights=None, include_top=False)
base_model.load_weights("你的权重路径", by_name=True)

（参见：https://blog.csdn.net/liumoude6/article/details/82762578?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromBaidu-3&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromBaidu-3）
我已运行，状态良好~

3）数据增强
安装imgaug工具包时，需要先安装依赖包shapely，本文用Anaconda安装的TensorFlow似乎不需要手动安装，直接安装即可，命令：

pip install imgaug

本文出现报错：OpenSSL.SSL.WantReadError，与前文安装cv2时解决方案一样

其他参考：
1）ValueError: You are trying to load a weight file containing 16 layers into a model with 13 layers.报错的可能原因及解决（嵌套型神经网络问题；多GPU训练）：ValueError: You are trying to load a weight file containing 12 layers into a model with 2 layers.
2）Keras内置VGG19介绍（文件下载注意和实例）：keras中VGG19预训练模型的使用
3）初期解决保存本地模块后仍默认网络下载（使用flask包）：Keras下载预训练模型（例VGG16）文件存放位置以及下载太慢的解决办法
4）初期解决下载模块的本地存放路径（~/.keras/datasets/）：Keras自带数据集与预训练model下载太慢