keras實現VGG16方式(預測一張圖片)

阿新 • • 發佈：2020-07-08

我就廢話不多說了，大家還是直接看程式碼吧~

from keras.applications.vgg16 import VGG16#直接匯入已經訓練好的VGG16網路
from keras.preprocessing.image import load_img#load_image作用是載入圖片
from keras.preprocessing.image import img_to_array
from keras.applications.vgg16 import preprocess_input
from keras.applications.vgg16 import decode_predictions
 
model = VGG16()
image = load_img('D:\\photo\\dog.jpg',target_size=(224,224))#引數target_size用於設定目標的大小，如此一來無論載入的原影象大小如何，都會被標準化成統一的大小，這樣做是為了向神經網路中方便地輸入資料所需的。
image = img_to_array(image)#函式img_to_array會把影象中的畫素資料轉化成NumPy中的array，這樣資料才可以被Keras所使用。
#神經網路接收一張或多張影象作為輸入，也就是說，輸入的array需要有4個維度： samples,rows,columns,and channels。由於我們僅有一個 sample（即一張image），我們需要對這個array進行reshape操作。
image = image.reshape((1,image.shape[0],image.shape[1],image.shape[2]))
image = preprocess_input(image)#對影象進行預處理
y = model.predict(image)#預測影象的類別
label = decode_predictions(y)#Keras提供了一個函式decode_predictions()，用以對已經得到的預測向量進行解讀。該函式返回一個類別列表，以及類別中每個類別的預測概率，
label = label[0][0]
print('%s(%.2f%%)'%(label[1],label[2]*100))
# print(model.summary())

from keras.models import Sequential
from keras.layers.core import Flatten,Dense,Dropout
from keras.layers.convolutional import Convolution2D,MaxPooling2D,ZeroPadding2D
from keras.optimizers import SGD
import numpy as np
 
from keras.preprocessing import image
from keras.applications.imagenet_utils import preprocess_input,decode_predictions
import time
from keras import backend as K
K.set_image_dim_ordering('th')
def VGG_16(weights_path=None):
  model = Sequential()
 
  model.add(ZeroPadding2D((1,1),input_shape=(3,224,224)))
  model.add(Convolution2D(64,(3,3),activation='relu'))
  model.add(ZeroPadding2D((1,1)))
  model.add(Convolution2D(64,activation='relu'))
  model.add(MaxPooling2D((2,2),strides=(2,2)))
 
  model.add(ZeroPadding2D((1,1)))
  model.add(Convolution2D(128,1)))
  model.add(Convolution2D(256,1)))
  model.add(Convolution2D(512,2)))
 
  model.add(Flatten())
  model.add(Dense(4096,activation='relu'))
  model.add(Dropout(0.5))
  model.add(Dense(4096,activation='relu'))
  model.add(Dropout(0.5))
  model.add(Dense(1000,activation='softmax'))
 
  if weights_path:
    model.load_weights(weights_path,by_name=True)
 
  return model
 
model = VGG_16(weights_path='F:\\Kaggle\\vgg16_weights.h5')
sgd = SGD(lr=0.1,decay=1e-6,momentum=0.9,nesterov=True)
model.compile(optimizer=sgd,loss='categorical_crossentropy')
 
t0 = time.time()
img = image.load_img('D:\\photo\\dog.jpg',224))
x = image.img_to_array(img) # 三維（224，224，3）
x = np.expand_dims(x,axis=0) # 四維（1，224，224，3）#因為keras要求的維度是這樣的，所以要增加一個維度
x = preprocess_input(x) # 預處理
print(x.shape)
y_pred = model.predict(x) # 預測概率
 
t1 = time.time()
 
print("測試圖：",decode_predictions(y_pred)) # 輸出五個最高概率(類名,語義概念,預測概率)
print("耗時：",str((t1 - t0) * 1000),"ms")

這是兩種不同的方式，第一種是直接使用vgg16的引數，需要在執行時下載，第二種是我們已經下載好的權重，直接在引數中輸入我們的路徑即可。

補充知識：keras加經典網路的預訓練模型（以VGG16為例）

我就廢話不多說了，大家還是直接看程式碼吧~

# 使用VGG16模型
from keras.applications.vgg16 import VGG16
print('Start build VGG16 -------')
 
# 獲取vgg16的卷積部分，如果要獲取整個vgg16網路需要設定:include_top=True
model_vgg16_conv = VGG16(weights='imagenet',include_top=False)
model_vgg16_conv.summary()
 
# 建立自己的輸入格式
# if K.image_data_format() == 'channels_first':
#  input_shape = (3,img_width,img_height)
# else:
#  input_shape = (img_width,img_height,3)
 
input = Input(input_shape,name = 'image_input') # 注意，Keras有個層就是Input層
 
# 將vgg16模型原始輸入轉換成自己的輸入
output_vgg16_conv = model_vgg16_conv(input)
 
# output_vgg16_conv是包含了vgg16的卷積層，下面我需要做二分類任務，所以需要新增自己的全連線層
x = Flatten(name='flatten')(output_vgg16_conv)
x = Dense(4096,activation='relu',name='fc1')(x)
x = Dense(512,name='fc2')(x)
x = Dense(128,name='fc3')(x)
x = Dense(1,activation='softmax',name='predictions')(x)
 
# 最終創建出自己的vgg16模型
my_model = Model(input=input,output=x)
 
# 下面的模型輸出中，vgg16的層和引數不會顯示出，但是這些引數在訓練的時候會更改
print('\nThis is my vgg16 model for the task')
my_model.summary()

以上這篇keras實現VGG16方式(預測一張圖片)就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支援我們。