【实战】使用keras.applications.resnet50.ResNet50训练数据集并进行图像分类，源代码+中文注释

ResNet是ILSVRC 2015在图像分类，检测和定位方面的赢家，也是MS COCO 2015检测和分割的获胜者。

ResNet50是一个用于图像分类的简单、高度模块化的网络结构，它已经成为keras中的一个标准模块。

基于ResNet50可以构造很多个性化的应用，因此学习使用一下ResNet50很有必要。

 

关于keras.applications.resnet50.ResNet50()的说明如下：

该模型为50层残差网络模型，权重训练自ImageNet。该模型在Theano和TensorFlow后端均可使用,并接受channels_first和channels_last两种输入维度顺序，模型的默认输入尺寸是224x224。

参数
include_top：是否保留顶层的全连接网络
weights：None代表随机初始化，即不加载预训练权重；'imagenet’代表加载预训练权重。
input_tensor：可填入Keras tensor作为模型的图像输出tensor
input_shape：可选，仅当include_top=False有效，应为长为3的tuple，指明输入图片的shape，图片的宽高必须大于197，如(200,200,3)
pooling：当include_top=False时，该参数指定了池化方式。None代表不池化，最后一个卷积层的输出为4D张量。‘avg’代表全局平均池化，‘max’代表全局最大值池化。
classes：可选，图片分类的类别数，仅当include_top=True并且不加载预训练权重时可用。

 

我们从互联网上下载了一些狗狗的图片（100张），同时用StyleGAN生成了一些人脸图片（250张），分别把它们放到两个不同的目录下，用来训练我们的RestNet50网络；训练完毕后，我们把模型保存到文件；然后用训练后的模型对输入的图片进行分类。

用StyleGAN生成人脸图片的方法请参考：