計算機視覺應用開發(fā)課件：基于遷移學習的圖像識別

基于遷移學習

的圖像識別案例描述01任務案例分析02任務案例實施03任務學習目標掌握調用圖像分類的卷積神經(jīng)網(wǎng)絡的預訓練模型對預訓練模型進行微調使用微調后的預訓練模型對cifar-10數(shù)據(jù)進行訓練分類1案例描述1案例描述將學習如何使用預訓練的VGG-16和ResNet50來實現(xiàn)cifar-10數(shù)據(jù)集的分類。2案例分析2案例分析加載數(shù)據(jù)部分同上一個案例，只需把數(shù)據(jù)輸入到預訓練的VGG-16或者ResNet50中。VGG-16的網(wǎng)絡結構為右側圖綠色欄所示，其中block1中有2個包含64個卷積核的卷積層，block2包含2個128個卷積核的卷積層，block3有3個包含256個卷積核的卷積層，block4有3個包含512個卷積核的卷積層，block5有3個包含512個卷積核的卷積層，加上2個包含4096個神經(jīng)元的全連接層和1個包含1000個神經(jīng)元的全連接層。2案例分析ResNet有2個基本的block，一個是identityblock，輸入和輸出的維度是一樣的，所以可以串聯(lián)多個；另外一個基本block是convblock，輸入和輸出的維度是不一樣的，所以不能連續(xù)串聯(lián)，它的作用本來就是為了改變特征向量的維度。convblockidentityblock2案例分析ResNet50網(wǎng)絡結構中block_sizes=[3,4,6,3]指的是stage1(firstpool)之后的4個layer的block數(shù)，分別對應res2，res3，res4，res5，每一個layer的第一個block在shortcut上做conv+BN，即convblock。3案例實施3案例實施1.導庫在Keras里面提供了許多在ImageNet上的預訓練模型，VGG-16和ResNet50就是其中的預訓練模型，可以通過fromtensorflow.keras.applicationsimportVGG16和fromtensorflow.keras.applications.resnet50importResNet50引入VGG-16模型和RseNet50模型。調用VGG-16模型和RseNet50模型分別使用VGG16(include_top=True,weights=‘imagenet’,input_tensor=None,input_shape=None,pooling=None,classes=1000,classifier_activation=‘softmax’)和ResNet50(include_top=True,weights=‘imagenet’,input_tensor=None,input_shape=None,pooling=None,classes=1000)函數(shù)來加載預訓練模型，其中兩個模型中使用參數(shù)基本一致。3案例實施include_top：是否保留頂層的3個全連接網(wǎng)絡；weights：None代表隨機初始化，即選擇不加載預訓練權重?！甶magenet’代表加載預訓練權重；input_tensor：可填入Kerastensor作為模型的圖像輸出tensor；input_shape：可選，僅當include_top=False有效，應為長為3的tuple，指明輸入圖片的shape，圖片的寬高必須大于48，如(200,200,3)；pooling：當include_top=False時，該參數(shù)指定了池化方式。None代表不池化，最后一個卷積層的輸出為4D張量?！產(chǎn)vg’代表全局平均池化，‘max’代表全局最大值池化；classes：可選，圖片分類的類別數(shù)，僅當include_top=True并且不加載預訓練權重時可用；返回值：Keras模型對象。3案例實施2.加載數(shù)據(jù)(train_images,train_labels),(test_images,test_labels)=datasets.cifar10.load_data()3.使用預訓練的VGG-16模型或者ResNet50模型#使用VGG-16模型base_model=VGG16(include_top=False,pooling='avg',input_shape=(32,32,3))#使用RseNet50模型#base_model=ResNet50(include_top=False,pooling='avg',input_shape=(32,32,3))forlayerinbase_model.layers:layer.trainable=False3案例實施4.編譯并訓練pile(optimizer='adam',

loss='sparse_categorical_crossentropy',