深度学习之迁移学习（打造自己的图像识别模型）

最新推荐文章于 2024-02-12 08:54:16 发布
VIP文章 最新推荐文章于 2024-02-12 08:54:16 发布
阅读量4.7k 收藏 30
点赞数
分类专栏： 深度学习实战
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/xuanweichangran/article/details/86570979
版权

 

一、概论

       迁移学习（打造自己的图像识别模型）其实就是利用已有的深度神经网络（VGG16，AlexNet , GoogLeNet等）进行简单的微调。一般有如下几种方式：

  1. 只训练全连接层。
  2. 全部网络重新训练（使用已有参数/从头开始）
  3. 只训练部分网络。

二、数据准备

    原始的图片数据和标签需要转换成tfrecord格式的文件,tfrecord, 这是一种将图像数据和标签放在一起的二进制文件，能更好的利用内存，在tensorflow中快速的复制，移动，读取，存储 等等。

    1.原始图片保存在 data_prepare/pic中      

最低0.47元/天 解锁文章
xuanweichangran
关注
  • 0
    点赞
  • 踩
  • 30
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
frozen_inference_graph.pb（无测试图片，测试图片在另一个资源）
08-21
Object Detection API是谷歌开放的一个内部使用的物体识别系统。2016年10月，该系统在COCO识别挑战中名列第一。它支持当前最佳的实物检测模型，能够在单个图像中定位和识别多个对象。该文件是物体识别API中的ssd_mobilenet_v1_coco模型。SSD模型使用了轻量化的MobileNet，这意味着它们可以轻而易举地在移动设备中实时使用。
图像处理：以图像分类和图像深度估计为例，如何将研究想法进行迁移学习应用？
MengYa_Dream的博客
09-03 386
以图像分类与图像深度估计为例，尽可能地探讨其思想的异同？如何实现思想的迁移？图像深度估计的训练 仅作经验积累，不保证思考的都对！图像处理：如何将研究想法进行迁移学习应用？我们总会从不同领域的不同论文中获取一些想法，但是如何将其应用到自己所在的领域呢？
【深度学习：迁移学习】图像识别预训练模型的迁移学习
欢迎来到最优秀的博客
02-12 1270
迁移学习通常是指将针对一个问题训练的模型以某种方式用于第二个相关问题的过程。在深度学习中，迁移学习是一种技术，通过这种技术，神经网络模型首先在与正在解决的问题类似的问题上得到训练。然后将训练过的模型中的一个或多个层用于针对相关问题训练的新模型中。迁移学习是计算机视觉领域的一种流行方法，因为它能让我们以省时省力的方式建立精确的模型。在迁移学习中，学习过程不是从零开始，而是从解决不同问题时学到的模式开始。这样就能充分利用以前的学习成果，避免从头开始。
面向单目深度估计的基于几何的预训练方式 -- Geometric Pretraining for Monocular Depth Estimation
Levi_Ackerman__的博客
12-22 3310
一些前提知识 Monocular Depth Estimation：单目深度估计，从单张图片中去预测每个像素点具体的深度，相当于从二维图像推测出三维空间。 ImageNet-Pretraining：基于ImageNet的预训练模型，ImageNet是一个带有标签的大数据集，其中有1,000个类别的图像。CV界常在进行下游任务之前，一般会在ImageNet上进行预训练，以学习到图像的语义信息，便于迁移学习。 optical flow：光流，用于研究图像对齐的算法，分为稀疏光流（一般选角点）和稠密光流。
单目图像深度估计 - 迁移篇：Depth Extraction from Video Using Non-parametric Sampling
qunniem的博客
04-29 1748
单目图像深度估计 - 4. 迁移篇：Depth Extraction from Video Using Non-parametric Sampling 第四篇写一下Depth Extraction from Video Using Non-parametric Sampling这篇文章中的Depth Transfer方法。 不同于其他主流方法，Depth Transfer并没有训练出特定的识别模型，而是通过把有标签数据与待预测样本进行点到点的对应，然后将深度信息进行迁移，形成深度估计结果。虽然诸如处理时间
实战12：基于深度学习的图像风格迁移 实战毕设完整代码+数据集
01-13 1141
实战12：基于深度学习的图像风格迁移 实战毕设完整代码+数据集
基于深度学习的图像识别模型研究综述
热门推荐
像风一样自由的博客
05-05 2万+
基于深度学习的图像识别模型研究综述 摘要：深度学习是机器学习研究中的一个新的领域，其目的在于训练计算机完成自主学习、判断、决策等人类行为并建立、模拟人脑进行分析学习的神经网络，它模仿人类大脑的机制来解释数据，例如图像，声音和文本。本文从图像识别背景入手，针对深度学习在图像识别领域中的不同处理方法及模型的发展进行介绍。 关键词： 深度学习；图像识别；神经网络 Abstract: Deep le...
深度学习——图像分类相关模型一览
turned的博客
08-25 1万+
这一章我们一起来梳理一下深度学习中图像分类相关的算法。 AlexNet AlexNet网络结构比较简单，也是比较早期的模型，上图中分成两个路线，其实是利用两块GPU分别进行运行，只在特定的网络层才存在两者之间的交互，实质我们可以简化一下，只看其中一条路线。网络总共的层数为8层，5层卷积，3层全连接层。 这个网络的主要特点为： 1、使用relu激活函数，而不是sigmoid或者tanh， 这些饱和的非线性函数在计算梯度的时候都要比非饱和的现行函数2、f(x)=max(0,x)慢很多，在这里称为
【论文阅读笔记】图像语义分割深度学习模型综述（张新明等）
box0115的博客
01-29 526
【论文阅读笔记】图像语义分割深度学习模型综述（张新明等） 文章主要内容：全面综述了图像语义分割算法的常用分类及最新成果，详尽比较了图像语义分割深度学习模型在PASCAL VOC 2012数据集上的四个参数的实际表现性能，对此领域的未来进行展望并提出了相关问题。 文章部分摘要 0 引言 图像语义分割是像素级别的密集分类问题，其目标是对图像中的每个像素进行语义信息标注。语义分割广泛应用于自动驾驶、肝癌检测等方面。 语义分割的难点主要来自以下三个方面：物体层次、类别层次和背景层次。**这意味着语义分割任务要在复杂
深度学习的常见模型CNN
From Zero to Hero
03-26 5568
CNN的来源 CNN由纽约大学的Yann LeCun于1998年提出。CNN本质上是一个多层感知机，其成功的原因关键在于它所采用的局部连接和共享权值的方式。 一方面减少了的权值的数量使得网络易于优化，另一方面降低了过拟合的风险。CNN是神经网络中的一种，它的权值共享网络结构使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值的数量。 权重共享：在卷积神经网络中，卷积层的每一个卷...
[caffe]深度学习之图像分类模型AlexNet解读
hdanbang的专栏
04-10 1196
在imagenet上的图像分类challenge上Alex提出的alexnet网络结构模型赢得了2012届的冠军。要研究CNN类型DL网络模型在图像分类上的应用，就逃不开研究alexnet，这是CNN在图像分类上的经典模型（DL火起来之后）。 在DL开源实现caffe的model样例中，它也给出了alexnet的复现，具体网络配置文件如下https://github.com/BVLC/caf
基于深度迁移学习的小样本图像分类matlab程序
08-25
基于深度迁移学习的小样本图像分类matlab程序，网络模型基于AlexNet，文件包含了图像数据集，输出结果可靠。
Tensorflow2.x实现图像识别（基于迁移学习）
04-21
基本所以图像识别任务都可以基于这段代码来实现！！！代码主要包括：图像数据集的制作、图像预处理、模型搭建与微调、模型训练与测试、模型保存等。本例使用Tensorflow的ResNet预训练模型，并在此基础上进行微调，能...
基于深度学习resnet50的垃圾图像识别 完整代码+数据 毕业设计 可直接运行
03-14
文件夹theory记录了我在本次深度学习中收获的笔记，与模型训练的控制台打印信息 迁移学习需要的初始权重与模型定义文件resnet50.py放在model下 训练运行trainNet.py，训练结束会创建models文件夹，并将结果权重gar
深度学习在图像识别中的应用：构建、优化及预测模型完全指南，提供Python示例代码 Python代码文件（图像识别模型示例）
11-13
本资源提供了一个全面的指南，涉及深度学习模型的搭建、性能优化以及在特定场景下的预测应用，特别聚焦于图像识别领域。该资源旨在帮助初学者和中级从业者深入理解深度学习在图像处理中的应用，从理论到实践，涵盖了...
tensorflow-keras猫狗识别迁移学习源码案例+数据集+注释+离线模型
07-29
使用tensorflow2.3-keras卷积神经网络CNN实现猫狗识别-迁移学习源码案例+数据集+注释+离线模型
infrared-remote-candroid studiodemo
最新发布
05-05
android studio下载
【新质生产力】新质生产力赋能智能制造数字化解决方案.pptx
05-05
【新质生产力】新质生产力赋能智能制造数字化解决方案.pptx
pytorch 对googlenet 实现迁移学习
04-30
PyTorch是一种用于机器学习的编程库，而GoogLeNet是一种深度卷积神经网络架构。然而，使用PyTorch实现迁移学习来应用于GoogLeNet的过程并不复杂。 首先，我们需要加载预训练的GoogLeNet模型。PyTorch提供了一个方便的方式来加载预训练好的模型： ``` import torch import torchvision.models as models # Load the pretrained model googlenet = models.googlenet(pretrained=True) ``` 接着，我们需要定义一些新的图层来适应我们特定的任务。假设我们想要对样本进行分类： ``` # Set requires_grad = False to freeze the pre-trained parameters for param in googlenet.parameters(): param.requires_grad = False # Replace the final fully-connected layer num_classes = 10 googlenet.fc = torch.nn.Linear(googlenet.fc.in_features, num_classes) ``` 在上面的代码中，我们冻结了预训练参数并替换了全连接层。我们还定义了一个新的num_classes参数来指定所需的类别数量。 接下来，我们需要定义优化器和损失函数。在这个示例中，我们将使用随机梯度下降（SGD）优化器和交叉熵损失函数： ``` # Define the optimizer and loss function optimizer = torch.optim.SGD(googlenet.fc.parameters(), lr=0.001) criterion = torch.nn.CrossEntropyLoss() ``` 在所有步骤都准备好之后，我们可以开始训练模型： ``` # Train the model for epoch in range(num_epochs): for batch_idx, (data, target) in enumerate(train_loader): # Forward pass output = googlenet(data) # Compute the loss loss = criterion(output, target) # Backward pass and optimize optimizer.zero_grad() loss.backward() optimizer.step() ``` 在训练完成后，我们可以评估我们的模型： ``` # Evaluate the model with torch.no_grad(): total_correct = 0 for data, target in test_loader: output = googlenet(data) pred = output.argmax(dim=1, keepdim=True) total_correct += pred.eq(target.view_as(pred)).sum().item() accuracy = 100. * total_correct / len(test_loader.dataset) print(f'Test accuracy: {accuracy:.2f}%') ``` 在这个示例中，我们使用PyTorch实现了GoogLeNet的迁移学习。虽然这只是一个简单的例子，但它说明了PyTorch和迁移学习的强大力量。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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