tensorflow2.X搭建/调用VGG16及加载预训练参数

爱挠静香的下巴

已于 2022-12-16 11:25:17 修改

阅读量2.4k

点赞数 2

分类专栏：深度学习-过程记录文章标签： tensorflow 深度学习神经网络人工智能

于 2022-09-04 21:47:40 首次发布

本文链接：https://blog.csdn.net/zzpl139/article/details/126694974

版权

深度学习-过程记录专栏收录该内容

18 篇文章 4 订阅

订阅专栏

本文详细介绍了如何使用和构建VGG16模型，包括通过`tf.keras.applications.vgg16`直接调用预训练模型，以及手动搭建并加载预训练权重。重点讨论了加载预训练参数时通常只加载前13层卷积层的情况，并提供了相关代码示例。此外，还提到了自定义模型时可以加入的优化技巧，如BN层、Drop层和L2正则化。

摘要由CSDN通过智能技术生成

说明

最近在学习过程中，遇到了VGG16的搭建、调用和加载预训练参数的问题，下面做一个记录
下面是我在另一个平台写的可以直接运行的项目的链接
基于VGG16的好莱坞明星识别
摘录出关键代码如下：

一、直接调用VGG16模型

函数说明

tf.keras.applications.vgg16.VGG16(
include_top=True, #是否使用顶层
weights=‘imagenet’,#是否加载imgenet预训练参数
input_tensor=None,
input_shape=None,#输入向量形状
pooling=None,#max或avg，最大或平均池化层
classes=1000,#如果使用顶层且使用预训练参数，分类数必须为1000，否则可以自己改动
classifier_activation=‘softmax’#分类激活函数
)
其中顶层指的是非卷积层

使用

下面使用是要了顶层

from tensorflow.keras.applications.vgg16 import VGG16
model = VGG16(
   include_top=True,
   weights=None,
   input_tensor=None,
   input_shape=(img_height, img_width, 3),
   pooling=max,
   classes=len(class_names)
   classifier_activation='softmax'
model.summary()  # 打印网络结构

二、自己搭建VGG16模型

VGG16_model = models.Sequential([
#两次使用64个3*3的卷积核，采用l2正则化，池化后维度(112,112,64)
    layers.Conv2D(64, (3, 3),padding='same', activation='relu', input_shape=(img_height, img_width, 3)), 
    layers.Conv2D(64, (3, 3), padding='same',activation='relu'),     
    layers.AveragePooling2D(pool_size=(2,2),strides=(2,2)),  
#两次使用128个3*3的卷积核,池化后维度(56,56,128)   
    layers.Conv2D(128, (3, 3),padding='same',activation='relu'), 
    layers.Conv2D(128, (3, 3),padding='same',activation='relu'),     
    layers.AveragePooling2D(pool_size=(2,2),strides=(2,2)),  
#三次使用256个3*3的卷积核,池化后维度(28,28,256)
    layers.Conv2D(256, (3, 3), padding='same',activation='relu'),     
    layers.Conv2D(256, (3, 3), padding='same',activation='relu'),   
    layers.Conv2D(256, (3, 3),padding='same',activation='relu'),     
    layers.AveragePooling2D(pool_size=(2,2),strides=(2,2)), 
#三次使用512个3*3的卷积核,池化后维度(14,14,512)
    layers.Conv2D(512, (3, 3),padding='same',activation='relu'),     
    layers.Conv2D(512, (3, 3),padding='same',activation='relu'),   
    layers.Conv2D(512, (3, 3),padding='same',activation='relu'),     
    layers.AveragePooling2D(pool_size=(2,2),strides=(2,2)), 
    layers.Conv2D(512, (3, 3),padding='same',activation='relu'),     
    layers.Conv2D(512, (3, 3),padding='same',activation='relu'),   
    layers.Conv2D(512, (3, 3),padding='same',activation='relu'),     
    layers.AveragePooling2D(pool_size=(2,2),strides=(2,2)), 
    layers.Flatten(),                       
    layers.Dense(4096, activation='relu'), 
    layers.Dense(4096, activation='relu'),
    layers.Dense(len(class_names), activation="softmax")  
])

三、VGG16模型加载卷积层预训练参数

一般都会只加载前十三层的卷积参数

VGG16_model = models.Sequential([
#两次使用64个3*3的卷积核，采用l2正则化，池化后维度(112,112,64)
    layers.Conv2D(64, (3, 3),padding='same', activation='relu', input_shape=(img_height, img_width, 3)), 
    layers.Conv2D(64, (3, 3), padding='same',activation='relu'),     
    layers.AveragePooling2D(pool_size=(2,2),strides=(2,2)),  
#两次使用128个3*3的卷积核,池化后维度(56,56,128)   
    layers.Conv2D(128, (3, 3),padding='same',activation='relu'), 
    layers.Conv2D(128, (3, 3),padding='same',activation='relu'),     
    layers.AveragePooling2D(pool_size=(2,2),strides=(2,2)),  
#三次使用256个3*3的卷积核,池化后维度(28,28,256)
    layers.Conv2D(256, (3, 3), padding='same',activation='relu'),     
    layers.Conv2D(256, (3, 3), padding='same',activation='relu'),   
    layers.Conv2D(256, (3, 3),padding='same',activation='relu'),     
    layers.AveragePooling2D(pool_size=(2,2),strides=(2,2)), 
#三次使用512个3*3的卷积核,池化后维度(14,14,512)
    layers.Conv2D(512, (3, 3),padding='same',activation='relu'),     
    layers.Conv2D(512, (3, 3),padding='same',activation='relu'),   
    layers.Conv2D(512, (3, 3),padding='same',activation='relu'),     
    layers.AveragePooling2D(pool_size=(2,2),strides=(2,2)), 
    layers.Conv2D(512, (3, 3),padding='same',activation='relu'),     
    layers.Conv2D(512, (3, 3),padding='same',activation='relu'),   
    layers.Conv2D(512, (3, 3),padding='same',activation='relu'),     
    layers.AveragePooling2D(pool_size=(2,2),strides=(2,2)),  
])

# 加载模型参数
VGG16_model.load_weights('./weight/vgg16_weights_tf_dim_ordering_tf_kernels_notop.h5')
# 冻结前13层网络参数  保证加载的预训练参数不被改变
for layer in VGG16_model.layers[:13]:
    layer.trainable = False
model = models.Sequential([
    VGG16_model,
    layers.Flatten(),                       
    layers.Dense(4096, activation='relu'), 
    layers.Dense(4096, activation='relu'),
    layers.Dense(len(class_names), activation="softmax")               
])

四、其他说明

1.自己搭建的VGG16模型也可以增加BN层、Drop层、L2正则化进行优化。
2.预训练参数可以从GitHub上下载（最全），或者是进入我开头放的链接，fork后也可以在project中下载（只有vgg16_weights_tf_dim_ordering_tf_kernels_notop.h5一种）