Keras + TensorFlow

Keras 是提供一些高可用的 Python API ,能帮助你快速的构建和训练自己的深度学习模型,它的后端是 TensorFlow 或者 Theano 。本文假设你已经熟悉了 TensorFlow 和卷积神经网络,如果,你还没有熟悉,那么可以先看看这个10分钟入门 TensorFlow 教程[http://cv-tricks.com/artificial- ... ensorflow-tutorial/]和卷积神经网络教程[http://cv-tricks.com/tensorflow- ... age-classification/],然后再回来阅读这个文章。
在这个教程中,我们将学习以下几个方面:
  • 为什么选择 Keras?为什么 Keras 被认为是深度学习的未来?
  • 在Ubuntu上面一步一步安装Keras。
  • Keras TensorFlow教程:Keras基础知识。
  • 了解 Keras 序列模型
    4.1 实际例子讲解线性回归问题
  • 使用 Keras 保存和回复预训练的模型
  • Keras API
    6.1 使用Keras API开发VGG卷积神经网络
    6.2 使用Keras API构建并运行SqueezeNet卷积神经网络

1. 为什么选择Keras?


Keras 是 Google 的一位工程师 François Chollet [https://twitter.com/fchollet]开发的一个框架,可以帮助你在 Theano 上面进行快速原型开发。后来,这被扩展为 TensorFlow 也可以作为后端。并且最近,TensorFlow决定将其作为 contrib 文件中的一部分进行提供。

Keras 被认为是构建神经网络的未来,以下是一些它流行的原因:
  • 轻量级和快速开发:Keras 的目的是在消除样板代码。几行 Keras 代码就能比原生的 TensorFlow 代码实现更多的功能。你也可以很轻松的实现 CNN 和 RNN,并且让它们运行在 CPU 或者 GPU 上面。
  • 框架的“赢者”:Keras 是一个API,运行在别的深度学习框架上面。这个框架可以是 TensorFlow 或者 Theano。Microsoft 也计划让 CNTK 作为 Keras 的一个后端。目前,神经网络框架世界是非常分散的,并且发展非常快。具体,你可以看看 Karpathy 的这个推文:

1155267-393315a4c5a67def.png (52.18 KB, 下载次数: 0)

下载附件  保存到相册

2017-5-25 18:08 上传



想象一下,我们每年都要去学习一个新的框架,这是多么的痛苦。到目前为止,TensorFlow 似乎成为了一种潮流,并且越来越多的框架开始为 Keras 提供支持,它可能会成为一种标准。

目前,Keras 是成长最快的一种深度学习框架。因为可以使用不同的深度学习框架作为后端,这也使得它成为了流行的一个很大的原因。你可以设想这样一个场景,如果你阅读到了一篇很有趣的论文,并且你想在你自己的数据集上面测试这个模型。让我们再次假设,你对TensorFlow 非常熟悉,但是对Theano了解的非常少。那么,你必须使用TensorFlow 对这个论文进行复现,但是这个周期是非常长的。但是,如果现在代码是采用Keras写的,那么你只要将后端修改为TensorFlow就可以使用代码了。这将是对社区发展的一个巨大的推动作用。

2. 怎么安装Keras,并且把TensorFlow作为后端

a) 依赖安装


安装 h5py,用于模型的保存和载入:
[Python] 纯文本查看 复制代码
?
1
pip install h5py

还有一些依赖包也要安装。
[Python] 纯文本查看 复制代码
?
1
2
pip install numpy scipy
pip install pillow
如果你还没有安装TensorFlow,那么你可以按照这个教程[http://cv-tricks.com/artificial- ... 4-04-aws-p2-xlarge/]先去安装TensorFlow。一旦,你安装完成了 TensorFlow,你只需要使用 pip 很容易的安装 Keras。
[Python] 纯文本查看 复制代码
?
1
sudo pip install keras
使用以下命令来查看 Keras 版本。
[Python] 纯文本查看 复制代码
?
1
2
>>> import kerasUsing TensorFlow backend.
>>> keras.__version__ '2.0.4'

一旦,Keras 被安装完成,你需要去修改后端文件,也就是去确定,你需要 TensorFlow 作为后端,还是 Theano 作为后端,修改的配置文件位于 ~/.keras/keras.json 。具体配置如下:
[Python] 纯文本查看 复制代码
?
1
2
3
4
5
6
{
     "floatx" : "float32" ,
     "epsilon" : 1e - 07 ,
     "backend" : "tensorflow" ,
     "image_data_format" : "channels_last"
}

请注意,参数 image_data_format channels_last ,也就是说这个后端是 TensorFlow。因为,在TensorFlow中图像的存储方式是 [height, width, channels],但是在Theano中是完全不同的,也就是 [channels, height, width]。因此,如果你没有正确的设置这个参数,那么你模型的中间结果将是非常奇怪的。对于Theano来说,这个参数就是 channels_first

那么,至此你已经准备好了,使用Keras来构建模型,并且把TensorFlow作为后端。

3. Keras基础知识


在Keras中主要的数据结构是 model ,该结构定义了一个完整的图。你可以向已经存在的图中加入任何的网络结构。
[Python] 纯文本查看 复制代码
?
1
import keras
Keras 有两种不同的建模方式:
  • Sequential models:这种方法用于实现一些简单的模型。你只需要向一些存在的模型中添加层就行了。
  • Functional API:Keras的API是非常强大的,你可以利用这些API来构造更加复杂的模型,比如多输出模型,有向无环图等等。

在本文的下一节中,我们将学习Keras的Sequential models 和 Functional API的理论和实例。

4. Keras Sequential models


在这一部分中,我将来介绍Keras Sequential models的理论。我将快速的解释它是如何工作的,还会利用具体代码来解释。之后,我们将解决一个简单的线性回归问题,你可以在阅读的同时运行代码,来加深印象。

以下代码是如何开始导入和构建序列模型。
[Python] 纯文本查看 复制代码
?
1
2
from keras.models import Sequential
models = Sequential()

接下来我们可以向模型中添加 Dense(full connected layer),Activation,Conv2D,MaxPooling2D函数。
[Python] 纯文本查看 复制代码
?
1
2
3
from keras.layers import Dense, Activation, Conv2D, MaxPooling2D, Flatten, Dropout
model.add(Conv2D( 64 , ( 3 , 3 ), activation = 'relu' , input_shape = ( 100 , 100 , 32 )))
# This ads a Convolutional layer with 64 filters of size 3 * 3 to the graph

以下是如何将一些最流行的图层添加到网络中。我已经在卷积神经网络教程[http://cv-tricks.com/tensorflow- ... age-classification/]中写了很多关于图层的描述。

1. 卷积层

这里我们使用一个卷积层,64个卷积核,维度是33的,之后采用 relu 激活函数进行激活,输入数据的维度是 `100100*32`。注意,如果是第一个卷积层,那么必须加上输入数据的维度,后面几个这个参数可以省略。
[Python] 纯文本查看 复制代码
?
1
model.add(Conv2D( 64 , ( 3 , 3 ), activation = 'relu' , input_shape = ( 100 , 100 , 32 )))


2. MaxPooling 层

指定图层的类型,并且指定赤的大小,然后自动完成赤化操作,酷毙了!
[Python] 纯文本查看 复制代码
?
1
model.add(MaxPooling2D(pool_size = ( 2 , 2 )))

3. 全连接层

这个层在 Keras 中称为被称之为 Dense 层,我们只需要设置输出层的维度,然后Keras就会帮助我们自动完成了。
[Python] 纯文本查看 复制代码
?
1
model.add(Dense( 256 , activation = 'relu' ))

4. Dropout

[Python] 纯文本查看 复制代码
?
1
model.add(Dropout( 0.5 ))
5. 扁平层

model.add(Flatten())

4. 数据输入

网络的第一层需要读入训练数据。因此我们需要去制定输入数据的维度。因此, input_shape 参数被用于制定输入数据的维度大小。
[Python] 纯文本查看 复制代码
?
1
model.add(Conv2D( 32 , ( 3 , 3 ), activation = 'relu' , input_shape = ( 224 , 224 , 3 )))
在这个例子中,数据输入的第一层是一个卷积层,输入数据的大小是 224*224*3

以上操作就帮助你利用序列模型构建了一个模型。接下来,让我们学习最重要的一个部分。一旦你指定了一个网络架构,你还需要指定优化器和损失函数。我们在Keras中使用compile函数来达到这个功能。比如,在下面的代码中,我们使用 rmsprop 来作为优化器, binary_crossentropy 来作为损失函数值。
[Python] 纯文本查看 复制代码
?
1
model. compile (loss = 'binary_crossentropy' , optimizer = 'rmsprop' )
如果你想要使用随机梯度下降,那么你需要选择合适的初始值和超参数:
[Python] 纯文本查看 复制代码
?
1
2
3
from keras.optimizers import SGD
sgd = SGD(lr = 0.01 , decay = 1e - 6 , momentum = 0.9 , nesterov = True )
model. compile (loss = 'categorical_crossentropy' , optimizer = sgd)

现在,我们已经构建完了模型。接下来,让我们向模型中输入数据,在Keras中是通过 fit 函数来实现的。你也可以在该函数中指定 batch_sizeepochs 来训练。
[Python] 纯文本查看 复制代码
?
1
model.fit(x_train, y_train, batch_size = 32 , epochs = 10 , validation_data(x_val, y_val))

最后,我们使用 evaluate 函数来测试模型的性能。
[Python] 纯文本查看 复制代码
?
1
score = model.evaluate(x_test, y_test, batch_size = 32 )
这些就是使用序列模型在Keras中构建神经网络的具体操作步骤。现在,我们来构建一个简单的线性回归模型。

4.1 实际例子讲解线性回归问题

问题陈述

在线性回归问题中,你可以得到很多的数据点,然后你需要使用一条直线去拟合这些离散点。在这个例子中,我们创建了100个离散点,然后用一条直线去拟合它们。

a) 创建训练数据

TrainX 的数据范围是 -1 到 1,TrainY 与 TrainX 的关系是3倍,并且我们加入了一些噪声点。
[Python] 纯文本查看 复制代码
?
1
2
3
4
5
6
7
import keras
from keras.models import Sequential
from keras.layers import Dense
import numpy as np
 
trX = np.linspace( - 1 , 1 , 101 )
trY = 3 * trX + np.random.randn( * trX.shape) * 0.33
b) 构建模型

首先我们需要构建一个序列模型。我们需要的只是一个简单的链接,因此我们只需要使用一个 Dense 层就够了,然后用线性函数进行激活。
[Python] 纯文本查看 复制代码
?
1
2
model = Sequential()
model.add(Dense(input_dim = 1 , output_dim = 1 , init = 'uniform' , activation = 'linear' ))
下面的代码将设置输入数据 x,权重 w 和偏置项 b。然我们来看看具体的初始化工作。如下:
[Python] 纯文本查看 复制代码
?
1
2
3
4
5
weights = model.layers[ 0 ].get_weights()
w_init = weights[ 0 ][ 0 ][ 0 ]
b_init = weights[ 1 ][ 0 ]
print ( 'Linear regression model is initialized with weights w: %.2f, b: %.2f' % (w_init, b_init))
## Linear regression model is initialized with weight w: -0.03, b: 0.00
现在,我们可以l利用自己构造的数据 trX 和 trY 来训练这个线性模型,其中 trY 是 trX 的3倍。因此,权重 w 的值应该是 3。
我们使用简单的梯度下降来作为优化器,均方误差(MSE)作为损失值。如下:
[Python] 纯文本查看 复制代码
?
1
model. compile (optimizer = 'sgd' , loss = 'mse' )
最后,我们使用 fit 函数来输入数据。
[Python] 纯文本查看 复制代码
?
1
model.fit(trX, trY, nb_epoch = 200 , verbose = 1 )
在经过训练之后,我们再次打印权重:
[Python] 纯文本查看 复制代码
?
1
2
3
4
5
6
weights = model.layers[ 0 ].get_weights()
w_final = weights[ 0 ][ 0 ][ 0 ]
b_final = weights[ 1 ][ 0 ]
print ( 'Linear regression model is trained to have weight w: %.2f, b: %.2f' % (w_final, b_final))
 
##Linear regression model is trained to have weight w: 2.94, b: 0.08
正如你所看到的,在运行 200 轮之后,现在权重非常接近于 3。你可以将运行的轮数修改为区间 [100, 300] 之间,然后观察输出结构有什么变化。现在,你已经学会了利用很少的代码来构建一个线性回归模型,如果要构建一个相同的模型,在 TensorFlow 中需要用到更多的代码。

5. 使用 Keras 保存和回复预训练的模型
HDF5 二进制格式

一旦你利用Keras完成了训练,你可以将你的网络保存在HDF5里面。当然,你需要先安装 h5py。HDF5 格式非常适合存储大量的数字收,并从 numpy 处理这些数据。比如,我们可以轻松的将存储在磁盘上的多TB数据集进行切片,就好像他们是真正的 numpy 数组一样。你还可以将多个数据集存储在单个文件中,遍历他们或者查看 .shape.dtype 属性。

如果你需要信心,那么告诉你,NASA也在使用 HDF5 进行数据存储。h5py 是python对HDF5 C API 的封装。几乎你可以用C在HDF5上面进行的任何操作都可以用python在h5py上面操作。

保存权重

如果你要保存训练好的权重,那么你可以直接使用 save_weights 函数。
[Python] 纯文本查看 复制代码
?
1
model.save_weights( "my_model.h5" )
载入预训练权重

如果你想要载入以前训练好的模型,那么你可以使用 load_weights 函数。
[Python] 纯文本查看 复制代码
?
1
model.load_weights( 'my_model_weights.h5' )


6. Keras API
如果对于简单的模型和问题,那么序列模型是非常好的方式。但是如果你要构建一个现实世界中复杂的网络,那么你就需要知道一些功能性的API,在很多流行的神经网络中,我们都有一个最小的网络结构,完整的模型是根据这些最小的模型进行叠加完成的。这些基础的API可以让你一层一层的构建模型。因此,你只需要很少的代码就可以来构建一个完整的复杂神经网络。

让我们来看看它是如何工作的。首先,你需要导入一些包。

[Python] 纯文本查看 复制代码
?
1
from keras.models import Model
现在,你需要去指定输入数据,而不是在顺序模型中,在最后的 fit 函数中输入数据。这是序列模型和这些功能性的API之间最显著的区别之一。我们使用 input() 函数来申明一个 1*28*28 的张量。
[Python] 纯文本查看 复制代码
?
1
2
3
4
from keras.layers import Input
## First, define the vision modules
 
digit_input = Input (shape = ( 1 , 28 , 28 ))

现在,让我们来利用API设计一个卷积层,我们需要指定要在在哪个层使用卷积网络,具体代码这样操作:
[Python] 纯文本查看 复制代码
?
1
2
3
4
x = Conv2D( 64 , ( 3 , 3 ))(digit_input)
x = Conv2D( 64 , ( 3 , 3 ))(x)
x = MaxPooling2D(( 2 , 2 ))(x)
out = Flatten()(x)

最后,我们对于指定的输入和输出数据来构建一个模型。
[Python] 纯文本查看 复制代码
?
1
vision_model = Model(digit_input, out)
当然,我们还需要指定损失函数,优化器等等。但这些和我们在序列模型中的操作一样,你可以使用 fit 函数和 compile 函数来进行操作。

接下来,让我们来构建一个vgg-16模型,这是一个很大很“老”的模型,但是由于它的简洁性,它是一个很好的学习模型。

6.1 使用Keras API开发VGG卷积神经网络
VGG:

VGG卷积神经网络是牛津大学在2014年提出来的模型。当这个模型被提出时,由于它的简洁性和实用性,马上成为了当时最流行的卷积神经网络模型。它在图像分类和目标检测任务中都表现出非常好的结果。在2014年的ILSVRC比赛中, VGG 在Top-5中取得了92.3%的正确率。 该模型有一些变种,其中最受欢迎的当然是 vgg-16,这是一个拥有16层的模型。你可以看到它需要维度是 224*224*3 的输入数据。

1155267-a96cdfa0140453e3.png (55.3 KB, 下载次数: 0)

下载附件  保存到相册

2017-5-25 18:40 上传


Vgg 16 architecture

让我们来写一个独立的函数来完整实现这个模型。
[Python] 纯文本查看 复制代码
?
01
02
03
04
05
06
07
08
09
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
img_input = Input (shape = input_shape)
# Block 1
x = Conv2D( 64 , ( 3 , 3 ), activation = 'relu' , padding = 'same' , name = 'block1_conv1' )(img_input)
x = Conv2D( 64 , ( 3 , 3 ), activation = 'relu' , padding = 'same' , name = 'block1_conv2' )(x)
x = MaxPooling2D(( 2 , 2 ), strides = ( 2 , 2 ), name = 'block1_pool' )(x)
 
# Block 2
x = Conv2D( 128 , ( 3 , 3 ), activation = 'relu' , padding = 'same' , name = 'block2_conv1' )(x)
x = Conv2D( 128 , ( 3 , 3 ), activation = 'relu' , padding = 'same' , name = 'block2_conv2' )(x)
x = MaxPooling2D(( 2 , 2 ), strides = ( 2 , 2 ), name = 'block2_pool' )(x)
 
# Block 3
x = Conv2D( 256 , ( 3 , 3 ), activation = 'relu' , padding = 'same' , name = 'block3_conv1' )(x)
x = Conv2D( 256 , ( 3 , 3 ), activation = 'relu' , padding = 'same' , name = 'block3_conv2' )(x)
x = Conv2D( 256 , ( 3 , 3 ), activation = 'relu' , padding = 'same' , name = 'block3_conv3' )(x)
x = MaxPooling2D(( 2 , 2 ), strides = ( 2 , 2 ), name = 'block3_pool' )(x)
 
# Block 4
x = Conv2D( 512 , ( 3 , 3 ), activation = 'relu' , padding = 'same' , name = 'block4_conv1' )(x)
x = Conv2D( 512 , ( 3 , 3 ), activation = 'relu' , padding = 'same' , name = 'block4_conv2' )(x)
x = Conv2D( 512 , ( 3 , 3 ), activation = 'relu' , padding = 'same' , name = 'block4_conv3' )(x)
x = MaxPooling2D(( 2 , 2 ), strides = ( 2 , 2 ), name = 'block4_pool' )(x)
 
# Block 5
x = Conv2D( 512 , ( 3 , 3 ), activation = 'relu' , padding = 'same' , name = 'block5_conv1' )(x)
x = Conv2D( 512 , ( 3 , 3 ), activation = 'relu' , padding = 'same' , name = 'block5_conv2' )(x)
x = Conv2D( 512 , ( 3 , 3 ), activation = 'relu' , padding = 'same' , name = 'block5_conv3' )(x)
x = MaxPooling2D(( 2 , 2 ), strides = ( 2 , 2 ), name = 'block5_pool' )(x)
 
x = Flatten(name = 'flatten' )(x)
x = Dense( 4096 , activation = 'relu' , name = 'fc1' )(x)
x = Dense( 4096 , activation = 'relu' , name = 'fc2' )(x)
x = Dense(classes, activation = 'softmax' , name = 'predictions' )(x)

我们可以将这个完整的模型,命名为 vgg16.py。
在这个例子中,我们来运行 imageNet 数据集中的某一些数据来进行测试。具体代码如下:
[Python] 纯文本查看 复制代码
?
1
2
3
4
5
6
7
8
9
model = applications.VGG16(weights = 'imagenet' )
img = image.load_img( 'cat.jpeg' , target_size = ( 224 , 224 ))
x = image.img_to_array(img)
x = np.expand_dims(x, axis = 0 )
x = preprocess_input(x)
preds = model.predict(x)
for results in decode_predictions(preds):
     for result in results:
         print ( 'Probability %0.2f%% => [%s]' % ( 100 * result[ 2 ], result[ 1 ]))

1155267-25effcd75e949877.jpg (49.99 KB, 下载次数: 2)

下载附件  保存到相册

2017-5-25 18:43 上传



正如你在图中看到的,模型会对图片中的物体进行一个识别预测。

我们通过API构建了一个VGG模型,但是由于VGG是一个很简单的模型,所以并没有完全将API的能力开发出来。接下来,我们通过构建一个 SqueezeNet模型,来展示API的真正能力。

6.2 使用Keras API构建并运行SqueezeNet卷积神经网络
SequeezeNet 是一个非常了不起的网络架构,它的显著点不在于对正确性有多少的提高,而是减少了计算量。当SequeezeNet的正确性和AlexNet接近时,但是ImageNet上面的预训练模型的存储量小于5 MB,这对于在现实世界中使用CNN是非常有利的。SqueezeNet模型引入了一个 Fire模型,它由交替的 Squeeze 和 Expand 模块组成。

1155267-4d5b116a485aeb88.jpg (28.36 KB, 下载次数: 1)

下载附件  保存到相册

2017-5-25 18:44 上传


SqueezeNet fire module

现在,我们对 fire 模型进行多次复制,从而来构建完整的网络模型,具体如下:

1155267-3df53450952dc9f5.png (55.92 KB, 下载次数: 1)

下载附件  保存到相册

2017-5-25 18:45 上传



为了去构建这个网络,我们将利用API的功能首先来构建一个单独的 fire 模块。
[Python] 纯文本查看 复制代码
?
01
02
03
04
05
06
07
08
09
10
11
12
13
14
# Squeeze part of fire module with 1 * 1 convolutions, followed by Relu
x = Convolution2D(squeeze, ( 1 , 1 ), padding = 'valid' , name = 'fire2/squeeze1x1' )(x)
x = Activation( 'relu' , name = 'fire2/relu_squeeze1x1' )(x)
 
#Expand part has two portions, left uses 1 * 1 convolutions and is called expand1x1
left = Convolution2D(expand, ( 1 , 1 ), padding = 'valid' , name = 'fire2/expand1x1' )(x)
left = Activation( 'relu' , name = 'fire2/relu_expand1x1' )(left)
 
#Right part uses 3 * 3 convolutions and is called expand3x3, both of these are follow#ed by Relu layer, Note that both receive x as input as designed.
right = Convolution2D(expand, ( 3 , 3 ), padding = 'same' , name = 'fire2/expand3x3' )(x)
right = Activation( 'relu' , name = 'fire2/relu_expand3x3' )(right)
 
# Final output of Fire Module is concatenation of left and right.
x = concatenate([left, right], axis = 3 , name = 'fire2/concat' )
为了重用这些代码,我们可以将它们转换成一个函数:
[Python] 纯文本查看 复制代码
?
1
2
3
4
5
sq1x1 = "squeeze1x1"
exp1x1 = "expand1x1"
exp3x3 = "expand3x3"
relu = "relu_"

模块化处理
[Python] 纯文本查看 复制代码
?
01
02
03
04
05
06
07
08
09
10
11
12
13
14
15
16
17
18
sq1x1 = "squeeze1x1"
exp1x1 = "expand1x1"
exp3x3 = "expand3x3"
relu = "relu_"
 
def fire_module(x, fire_id, squeeze = 16 , expand = 64 ):
    s_id = 'fire' + str (fire_id) + '/'
    x = Convolution2D(squeeze, ( 1 , 1 ), padding = 'valid' , name = s_id + sq1x1)(x)
    x = Activation( 'relu' , name = s_id + relu + sq1x1)(x)
 
    left = Convolution2D(expand, ( 1 , 1 ), padding = 'valid' , name = s_id + exp1x1)(x)
    left = Activation( 'relu' , name = s_id + relu + exp1x1)(left)
 
    right = Convolution2D(expand, ( 3 , 3 ), padding = 'same' , name = s_id + exp3x3)(x)
    right = Activation( 'relu' , name = s_id + relu + exp3x3)(right)
 
    x = concatenate([left, right], axis = 3 , name = s_id + 'concat' )
return x
现在,我们可以利用我们构建好的单独的 fire 模块,来构建完整的模型。
[Python] 纯文本查看 复制代码
?
01
02
03
04
05
06
07
08
09
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
x = Convolution2D( 64 , ( 3 , 3 ), strides = ( 2 , 2 ), padding = 'valid' , name = 'conv1' )(img_input)
x = Activation( 'relu' , name = 'relu_conv1' )(x)
x = MaxPooling2D(pool_size = ( 3 , 3 ), strides = ( 2 , 2 ), name = 'pool1' )(x)
 
x = fire_module(x, fire_id = 2 , squeeze = 16 , expand = 64 )
x = fire_module(x, fire_id = 3 , squeeze = 16 , expand = 64 )
x = MaxPooling2D(pool_size = ( 3 , 3 ), strides = ( 2 , 2 ), name = 'pool3' )(x)
 
x = fire_module(x, fire_id = 4 , squeeze = 32 , expand = 128 )
x = fire_module(x, fire_id = 5 , squeeze = 32 , expand = 128 )
x = MaxPooling2D(pool_size = ( 3 , 3 ), strides = ( 2 , 2 ), name = 'pool5' )(x)
 
x = fire_module(x, fire_id = 6 , squeeze = 48 , expand = 192 )
x = fire_module(x, fire_id = 7 , squeeze = 48 , expand = 192 )
x = fire_module(x, fire_id = 8 , squeeze = 64 , expand = 256 )
x = fire_module(x, fire_id = 9 , squeeze = 64 , expand = 256 )
x = Dropout( 0.5 , name = 'drop9' )(x)
 
x = Convolution2D(classes, ( 1 , 1 ), padding = 'valid' , name = 'conv10' )(x)
x = Activation( 'relu' , name = 'relu_conv10' )(x)
x = GlobalAveragePooling2D()(x)
out = Activation( 'softmax' , name = 'loss' )(x)
 
model = Model(inputs, out, name = 'squeezenet' )

完整的网络模型我们放置在 squeezenet.py 文件里。我们应该先下载 imageNet 预训练模型,然后在我们自己的数据集上面进行训练和测试。下面的代码就是实现了这个功能:
[Python] 纯文本查看 复制代码
?
01
02
03
04
05
06
07
08
09
10
11
12
13
14
15
16
17
import numpy as np
from keras_squeezenet import SqueezeNet
from keras.applications.imagenet_utils import preprocess_input, decode_predictions
from keras.preprocessing import image
 
model = SqueezeNet()
 
img = image.load_img( 'pexels-photo-280207.jpeg' , target_size = ( 227 , 227 ))
x = image.img_to_array(img)
x = np.expand_dims(x, axis = 0 )
x = preprocess_input(x)
 
preds = model.predict(x)
all_results = decode_predictions(preds)
for results in all_results:
   for result in results:
     print ( 'Probability %0.2f%% => [%s]' % ( 100 * result[ 2 ], result[ 1 ]))

对于相同的一幅图预测,我们可以得到如下的预测概率。

1155267-8b320d5f3cea2aa8.jpg (50.76 KB, 下载次数: 2)

下载附件  保存到相册

2017-5-25 18:53 上传



至此,我们的Keras TensorFlow教程就结束了。希望可以帮到你 :-)
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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