Keras入门教程 6.Keras 预训练模型应用

article/2025/8/17 4:17:04

Keras 入门教程

1.线性回归建模（快速入门）
2.线性模型的优化
3.波士顿房价回归 (MPL)
4.卷积神经网络（CNN）
5.使用LSTM RNN 进行时间序列预测
6.Keras 预训练模型应用

Keras 预训练模型应用

Keras 应用模块用于为深度神经网络提供预训练模型。Keras 模型用于预测、特征提取和微调。本节详细介绍了 Keras 应用程序。

预训练模型
训练好的模型由模型架构和模型权重两部分组成。模型权重是大文件，因此我们必须从 ImageNet 数据库下载并提取特征。下面列出了一些流行的预训练模型：

ResNet
VGG16
MobileNet
InceptionResNetV2
InceptionResNetV3

加载模型

from keras.applications import vgg16, inception_v3, resnet50, mobilenet
#Load the VGG model
vgg_model = vgg16.VGG16(weights = 'imagenet')
#Load the Inception_V3 model
inception_model = inception_v3.InceptionV3(weights = 'imagenet')
#Load the ResNet50 model
resnet_model = resnet50.ResNet50(weights = 'imagenet')
#Load the MobileNet model 
mobilenet_model = mobilenet.MobileNet(weights = 'imagenet')

加载模型后，我们可以立即将其用于预测目的。让我们在接下来的章节中检查每个预训练模型。

ResNet是一个预训练模型。它使用 ImageNet 进行训练。在 ImageNet 上预训练的 ResNet 模型权重。它具有以下语法:

keras.applications.resnet.ResNet50 (include_top = True,weights = 'imagenet',input_tensor = None,input_shape = None,pooling = None, classes = 1000
)

include_top 指的是网络顶部的全连接层。
weights 指的是 ImageNet 上的预训练。
input_tensor 指用作模型的图像输入的可选的 Keras 张量。
input_shape 指可选的形状元组。此模型的默认输入大小为 224x224。
clasees 指用于对图像进行分类的可选数量的类。

让我们通过写一个简单的例子来理解模型：

第 1 步：导入模块

加载如下指定的必要模块:

import PIL
from keras.preprocessing.image import load_img, image 
from keras.preprocessing.image import img_to_array 
from keras.applications.imagenet_utils import decode_predictions 
import matplotlib.pyplot as plt
import numpy as np
from tensorflow.keras.applications import vgg16, inception_v3, resnet50, mobilenetimport matplotlib.pyplot as plt
%matplotlib inline

第 2 步：选择一个输入

选择一个输入图像，网上找了一张图片，如下所示：

filename = 'pp8.png'
original = load_img(filename, target_size = (224, 224))
print('PIL image size',original.size)
plt.imshow(original);

在这里，我们加载了一个图像并显示了它。

在这里插入图片描述

第 3 步：将图像转换为 NumPy 数组

将输入的 Banana 转换为 NumPy 数组，以便将其传递到模型中以进行预测。

# 将图 转 numpy 数组
numpy_image = img_to_array(original)
plt.imshow(np.uint8(numpy_image))
print('numpy array size',numpy_image.shape)# 将图转 图的批量格式
image_batch = np.expand_dims(numpy_image, axis = 0)
print('image batch size', image_batch.shape)

numpy array size (224, 224, 3)
image batch size (1, 224, 224, 3)
在这里插入图片描述

第 4 步：模型预测

将输入输入模型以获得预测

# 为 resnet50 模型 格式
processed_image = resnet50.preprocess_input(image_batch.copy())
# 创建 resnet 模型
resnet_model = resnet50.ResNet50(weights = 'imagenet')

# 获得 预测可能分类
predictions = resnet_model.predict(processed_image)

输出

# 转化为可能分类标签
label = decode_predictions(predictions,top=1)
print(label)

[[(‘n02676566’, ‘acoustic_guitar’, 0.98159516)]]

# 换另张图
filename = 'ba.png'original1 = load_img(filename, target_size = (224, 224))
print('PIL image size',original1.size)
plt.imshow(original1)

在这里插入图片描述

numpy_image1 = img_to_array(original1)
plt.imshow(np.uint8(numpy_image1))
print('numpy array size',numpy_image1.shape)image_batch1 = np.expand_dims(numpy_image1, axis = 0)
print('image batch size', image_batch1.shape)

在这里插入图片描述

processed_image1 = resnet50.preprocess_input(image_batch1.copy())
predictions1 = resnet_model.predict(processed_image1)
label = decode_predictions(predictions1,top=1)
print(label)

[[(‘n07753592’, ‘banana’, 0.99918777)]]

换其他模型

VGG16

VGG16 是另一个预训练模型。它还使用 ImageNet 进行训练。加载模型的语法如下：

keras.applications.vgg16.VGG16(include_top = True,weights = 'imagenet',input_tensor = None,input_shape = None,pooling = None,classes = 1000
)

此模型的默认输入大小为 224x224。

MobileNetV2

MobileNetV2 是另一个预训练模型。它也是使用ImageNet 进行训练。加载模型的语法如下:

keras.applications.mobilenet_v2.MobileNetV2 (input_shape = None, alpha = 1.0, include_top = True, weights = 'imagenet', input_tensor = None, pooling = None, classes = 1000
)

alpha控制网络的宽度。如果该值低于 1，则减少每层中的过滤器数量。如果该值大于 1，则增加每层中的过滤器数量。如果 alpha = 1，则在每一层使用纸张的默认过滤器数量。

此模型的默认输入大小为224x224。

InceptionResNetV2

InceptionResNetV2 是另一个预训练模型。它也是使用ImageNet 进行训练。加载模型的语法如下:

keras.applications.inception_resnet_v2.InceptionResNetV2 (include_top = True, weights = 'imagenet',input_tensor = None, input_shape = None, pooling = None, classes = 1000)

此模型可以使用“channels_first”数据格式（通道、高度、宽度）或“channels_last”数据格式（高度、宽度、通道）构建。

此模型的默认输入大小为299x299。

InceptionV3

InceptionV3 是另一个预训练模型。它也是使用ImageNet 进行训练。加载模型的语法如下：

keras.applications.inception_v3.InceptionV3 (include_top = True, weights = 'imagenet', input_tensor = None, input_shape = None, pooling = None, classes = 1000
)

此模型的默认输入大小为299x299。

#Load the VGG model
vgg_model = vgg16.VGG16(weights = 'imagenet')#Load the Inception_V3 model
inception_model = inception_v3.InceptionV3(weights = 'imagenet')#Load the MobileNet model 
mobilenet_model = mobilenet.MobileNet(weights = 'imagenet')

vgg16_image = vgg16.preprocess_input(image_batch1.copy())
inception_image = inception_v3.preprocess_input(image_batch1.copy())
mobilenet_image = mobilenet.preprocess_input(image_batch1.copy())

pred_vgg16 = vgg_model.predict(vgg16_image)
label = decode_predictions(pred_vgg16,top=1)
print(label)

[[(‘n07753592’, ‘banana’, 0.9616605)]]

pred_mobilenet = mobilenet_model.predict(mobilenet_image)
label = decode_predictions(pred_mobilenet,top=1)
print(label)

[[(‘n07753592’, ‘banana’, 0.9993032)]]

由于inception_v3模型默认的大小是299*299，因此图片重新处理，并归一化，使得分类效果更加明显。

img = image.load_img("ba.png", target_size=(299, 299))
input_image = image.img_to_array(img)
input_image /= 255.
input_image -= 0.5
input_image *= 2.
# Add a 4th dimension for batch size (Keras)
input_image = np.expand_dims(input_image, axis=0)# Run the image through the NN
predictions = inception_model.predict(input_image)# Convert the predictions into text
predicted_classes = inception_v3.decode_predictions(predictions, top=1)
predicted_classes