Keras框架下的猫狗识别（三）

Tensorflow学习（使用jupyter notebook）

Keras框架下的猫狗识别（一）
Keras框架下的猫狗识别（二）

---

前言

紧接上文

  上文构建出最为简单的CNN神经网络模型，从而来达到大概分辨猫和狗的目的。   而在这篇博客中，我们还可以通过另外一种方法来构建模型，从而同样达到识别猫狗的目的。   在这篇博客中，我们使用VGG16-bottleneck的方法，进行猫狗的识别。

一、VGG16-bottleneck是什么？

  这里的bottleneck（瓶颈）指的是除输出层以外的神经网络。在这里，我们指的是VGG-Net模型。   VGG16是由牛津大学的K. Simonyan和A. Zisserman在“用于大规模图像识别的非常深卷积网络”的论文中提出的卷积神经网络模型。 该模型在ImageNet中实现了92.7％的前5个测试精度，这是属于1000个类的超过1400万张图像的数据集。 它是 ILSVRC-2014 提交的着名模型之一。

二、使用步骤

1.引入库

代码如下（示例）：

from tensorflow.keras.applications.vgg16 import VGG16
from tensorflow.keras.preprocessing import image
from tensorflow.keras.applications.vgg16 import preprocess_input
import numpy as np
from tensorflow.keras.preprocessing.image import ImageDataGenerator
from keras.utils import np_utils
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dropout, Flatten, Dense
from tensorflow.keras.optimizers import Adam

  同样的，我们也需要像之前那样操作，引入该模型训练所需要的库。    有几个搭建神经网络的常用库，就不再重复介绍。我们需要重点关注VGG16 ，因为我们所使用的VGG16来源于网络，VGG已经是一个较为完善的模型，我们只需要将其下载下来。

使用如下代码：

# 载入预训练的VGG16模型，不包括全连接层
model = VGG16(weights='imagenet', include_top=False)

  将VGG16模型下载下来，这一步需要花费一些时间，而下载下来的模型会保存在C:/user/sir/.keras/model中。我们接下来的操作就要开始围绕着VGG16模型展开。   首先使用如下代码，先看看VGG的神经层的构建：

model.summary()

  我们会得到这样的表格：

  可以看到VGG16的神经层，其中包括卷积层、池化层等。但也不难发现，VGG16并不具备输出层，所以这也明确了我们后续的任务——我们需要往VGG16模型中添加输出层，以满足目的。

2.读入数据

代码如下：

datagen = ImageDataGenerator(
        rotation_range = 40,      # 随机旋转角度
        width_shift_range = 0.2,  # 随机水平平移
        height_shift_range = 0.2, # 随机竖直平移
        rescale = 1./255,         # 数值归一化
        shear_range = 0.2,        # 随机裁剪
        zoom_range  =0.2,         # 随机放大
        horizontal_flip = True,   # 水平翻转
        fill_mode='nearest')      # 填充方式
        batch_size = 32
# 
train_steps = int((3528 +  batch_size - 1)/batch_size)*10
test_steps = int((1232 +  batch_size - 1)/batch_size)*10
generator = datagen.flow_from_directory(
        'train',
        target_size=(150, 150),
        batch_size=batch_size,
        class_mode=None,  # 不生成标签
        shuffle=False)    # 不随机打乱



# 得到训练集数据
bottleneck_features_train = model.predict_generator(generator, train_steps)
print(bottleneck_features_train.shape)
# 保存训练集bottleneck结果
np.save(open('bottleneck_features_train.npy', 'wb'), bottleneck_features_train)

generator = datagen.flow_from_directory(
        'test',
        target_size=(150, 150),
        batch_size=batch_size,
        class_mode=None, # 不生成标签
        shuffle=False)  # 不随机打乱
# 得到预测集数据
bottleneck_features_test = model.predict_generator(generator, test_steps)
print(bottleneck_features_test.shape)
# 保存测试集bottleneck结果
np.save(open('bottleneck_features_test.npy', 'wb'), bottleneck_features_test)


train_data = np.load(open('bottleneck_features_train.npy','rb'))
# the features were saved in order, so recreating the labels is easy
labels = np.array([0] * 2016 + [1] * 1512)
train_labels = np.array([])
    
train_labels=np.concatenate((train_labels,labels))


test_data = np.load(open('bottleneck_features_test.npy','rb'))
labels = np.array([0] * 552 + [1] * 680)
test_labels = np.array([])

test_labels=np.concatenate((test_labels,labels))


train_labels = np_utils.to_categorical(train_labels,num_classes=2)
test_labels = np_utils.to_categorical(test_labels,num_classes=2)

  即便VGG16并不具备输出层，但我们仍然可以先运行该模型，并将其保存，为后续任务节约时间。这里就是以'bottleneck_features_train.npy和bottleneck_features_test.npy的形式保存。同时，在这一步中,我们也将图片数据格式进行更改。

3.模型补充

  前面说到，VGG16模型还未具备有输出层，所以在这一步我们需要给该模型进行继续补充完善。 代码如下：

model = Sequential()
model.add(Flatten(input_shape=train_data.shape[1:]))
model.add(Dense(256, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(2, activation='softmax'))

# 定义优化器
adam = Adam(lr=1e-4)

# 定义优化器，loss function，训练过程中计算准确率
model.compile(optimizer=adam,loss='categorical_crossentropy',metrics=['accuracy'])

model.fit(train_data, train_labels,
          epochs=20, batch_size=batch_size,
          validation_data=(test_data, test_labels))

model.save_weights('bottleneck_fc_model.h5')

  在这一步中，我们继续补充完善了VGG未完成的部分，补出了输出层，并且开始训练。

  使用VGG16-bottleneck模型，相比于CNN简单神经网络搭建的模型，无论是速度还是准确性都大大的提高了。

总结

  综上，便是构建VGG16-bottleneck模型这一块内容的学习记录，由于博主也是刚开始学习，如有不足和问题，请指正。