keras 预训练模型的使用方法

Tensorflow 几个最新版本的更新大力推崇 Keras 相当于官宣啊

相信Keras的可用性给大家做深度学习带来方便 畅快的同时

逐渐会变成主流的开发组件

 

0、官方资料

Imagenet的图像识别任务目睹了近几年人工神经网络的进展

其中有很多里程碑式的进展 keras在应用模块（keras.applications）中提供了带有预训练权值的深度学习模型，这些模型可以用来进行预测、特征提取和微调（fine-tuning）。

中文官方资料：https://keras.io/zh/applications/

 

1、模型下载 （不推荐）

使用预训练模型可以事先下载好模型

https://github.com/fchollet/deep-learning-models/releases/

下载好的模型要放在本地目录：

      Linux下是放在“~/.keras/models/”中

      Win下则放在Python的“settings/.keras/models/”中

之后就可以脱机使用

 

2、使用预训练模型

为什么不推荐直接下载的模型呢

因为我发现下载的文件并不是keras最新版（当前2.2.4）里指定模型文件

也就是说下载的模型不一定完全能用

所以建议有条件联网的同志直接联网使用模型

初次使用会自动下载h5文件到上述目录中

 

不过无论怎么说 使用模型的代码都是一样的

from keras.applications.resnet50 import ResNet50
from keras.preprocessing import image
from keras.applications.resnet50 import preprocess_input, decode_predictions
import numpy as np

model = ResNet50(weights='imagenet')

img_path = 'demo.jpg'
img = image.load_img(img_path, 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)
print('Predicted:', decode_predictions(preds, top=5)[0])

上述示例使用 ResNet50 识别 demo.jpg 图像中的内容

其他使用模型的案例见中文文档

值得说明的是：

每种网络有自己的图像预处理方法 虽然很简单但是会不同

因此 preprocess_input 函数需要根据网络不同而区分

但是decode_predictions都是一样的 不需要针对每个网络使用不同的函数

 

3、试验结果

预训练模型识别准确率

预训练模型识别结果

	名称	top5准确率	top1准确率
1	'DenseNet201'	0.972857142857143	0.854835164835165
2	'InceptionResNetV2'	0.985846153846154	0.893714285714286
3	'InceptionV3'	0.983450549450549	0.884351648351648
4	'MobileNet'	0.970417582417583	0.850483516483517
5	'MobileNetV2'	0.962175824175824	0.823494505494506
6	'NASNetMobile'	0.952021978021978	0.809714285714286
7	'ResNet50'	0.945604395604396	0.791252747252747
8	'VGG16'	0.912219780219780	0.729208791208791
9	'VGG19'	0.912967032967033	0.731472527472527
10	'Xception'	0.981516483516484	0.881626373626374

上表是各个模型识别 Imagenet 中45500幅图像的结果，与官方文档中给出的结果基本一致