keras 预训练模型的使用方法

喜欢ヅ旅行 2022-02-04 16:06 406阅读 0赞

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/][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/][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

<table>  预训练模型识别结果  
 <thead> 
  <tr> 
   <th>&nbsp;</th> 
   <th>名称</th> 
   <th>top5准确率</th> 
   <th>top1准确率</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <th>1</th> 
   <td>'DenseNet201'</td> 
   <td>0.972857142857143</td> 
   <td>0.854835164835165</td> 
  </tr> 
  <tr> 
   <th>2</th> 
   <td>'InceptionResNetV2'</td> 
   <td>0.985846153846154</td> 
   <td>0.893714285714286</td> 
  </tr> 
  <tr> 
   <th>3</th> 
   <td>'InceptionV3'</td> 
   <td>0.983450549450549</td> 
   <td>0.884351648351648</td> 
  </tr> 
  <tr> 
   <th>4</th> 
   <td>'MobileNet'</td> 
   <td>0.970417582417583</td> 
   <td>0.850483516483517</td> 
  </tr> 
  <tr> 
   <th>5</th> 
   <td>'MobileNetV2'</td> 
   <td>0.962175824175824</td> 
   <td>0.823494505494506</td> 
  </tr> 
  <tr> 
   <th>6</th> 
   <td>'NASNetMobile'</td> 
   <td>0.952021978021978</td> 
   <td>0.809714285714286</td> 
  </tr> 
  <tr> 
   <th>7</th> 
   <td>'ResNet50'</td> 
   <td>0.945604395604396</td> 
   <td>0.791252747252747</td> 
  </tr> 
  <tr> 
   <th>8</th> 
   <td>'VGG16'</td> 
   <td>0.912219780219780</td> 
   <td>0.729208791208791</td> 
  </tr> 
  <tr> 
   <th>9</th> 
   <td>'VGG19'</td> 
   <td>0.912967032967033</td> 
   <td>0.731472527472527</td> 
  </tr> 
  <tr> 
   <th>10</th> 
   <td>'Xception'</td> 
   <td>0.981516483516484</td> 
   <td>0.881626373626374</td> 
  </tr> 
 </tbody> 
</table>

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

[https_keras.io_zh_applications]: https://keras.io/zh/applications/
[https_github.com_fchollet_deep-learning-models_releases]: https://github.com/fchollet/deep-learning-models/releases/