使用keras快速进行不同经典网络分类的应用

有时候大家需要跑很多网络，比如进行对比实验,这时候可以直接使用keras的application模块（这里需要注意,tf2.x中的模型更多，建议更新到2.x），

picture_size=224
x_shape = [pictrue_size, pictrue_size, 3]  
base_model = keras.applications.MobileNet(input_tensor=keras.layers.Input((pictrue_size,pictrue_size,3)),include_top=False,pooling='avg',weights=None)
#也就是使用了VGG16的网络之后然后变成了不该使用的
output = keras.layers.Dense(1, activation='sigmoid')(base_model.output)     #output
model = keras.models.Model(inputs=[base_model.input], outputs=[output])   #也就是使用了models然后对

keras.applications.MobileNet(input_tensor=keras.layers.Input((pictrue_size,pictrue_size,3)),include_top=False,pooling='avg',weights=None)

如果将weights设为None即为不使用预学习权重
如果是需要进行不同个数的分类,直接将include_top设为False，然后进行一个全局平均池化，可以得到11x的特征图，另外告诉一个大家改自己代码的好方法，直接进入函数内部查看include_top的条件判断，然后将函数中的写法迁移到自己代码中

上述就是mobilenet的写法，大家可以进行进行参考

上述代码是进行一个二分类，使用的sigmoid函数，如果需要使用多分类只需要改这行代码：

classes =1000
output = keras.layers.Dense(classes, activation='softmax')(base_model.output)     #output

对于数据读取，我一直都是使用的keras.preprocessing.image.ImageDataGenerator这个函数，对于其他类型的数据，大家自行学习就好。