基于keras实现分类任务
基于keras利用VGG, ResNet GoogleNet InceptionV3实现图像的分类任务,下面会给出完整代码,但为了熟悉不同整个网络的特点,建议大家自己搭建一下每个分类网络,毕竟利用keras搭建网络还是比较简单的。
# - * -编码:utf - 8 - * - - - - - -
import操作系统从keras
。跑龙套进口plot_model keras.applications
。resnet50进口resnet50 keras.applications
。vgg19进口vgg19 keras.applications
。inception_v3进口InceptionV3 keras
。进口致密层,压平,GlobalAveragePooling2D keras
。模型导入模型,load_model keras
。优化进口SGD keras.preprocessing
。图像导入ImageDataGenerator
进口matplotlib。pyplot plt
类PowerTransferMode:
#数据准备
def DataGen(自我、dir_path img_row、img_col batch_size, is_train):
如果is_train:
DataGen=ImageDataGenerator(重新调节=1。/255,
zoom_range=0.25, rotation_range=15。
channel_shift_range=25。width_shift_range=0.02, height_shift_range=0.02
horizontal_flip=True, fill_mode=俺Ｊ?
:
datagen=ImageDataGenerator(重新调节=1./255)
发电机=datagen。flow_from_directory (
dir_path, target_size=(img_row img_col)
batch_size=batch_size
# class_mode=岸啤?
class_mode=胺掷唷?
洗牌=is_train)
返回发电机
# ResNet模型
def ResNet50_model(自我,lr=0.005,=1 e-6衰减,动量=0.9,nb_classes=2, img_rows=197, img_cols=197, RGB=True, is_plot_model=False):
=3颜色如果RGB其他1
base_model=ResNet50(权重=imagenet, include_top=False,池=没有 input_shape=(img_rows img_cols,颜色),
类=nb_classes)
#冻结base_model所有层,这样就可以正确获得瓶颈特征
base_model层。层:
层。可训练的=False
x=base_model。输出
#添加自己的全链接分类层
x=平()(x)
# x=GlobalAveragePooling2D () (x)
# x=密集(1024年,激活=relu) (x)=
预测致密(nb_classes激活=softmax) (x)
#训练模型
=模型(输入=base_model模型。输入,输出=预测)
sgd=sgd (lr=lr,衰变=衰变,动量=动量,nesterov=True)
model.compile (=癱ategorical_crossentropy”损失,优化器=sgd, 指标=[“准确性”])
#绘制模型
如果is_plot_model:
plot_model(模型、to_file=' resnet50_model.png show_shapes=True)
回归模型# VGG模型
def VGG19_model(自我,lr=0.005,=1 e-6衰减,动量=0.9,nb_classes=18, img_rows=197, img_cols=197, RGB=True, is_plot_model=False):
=3颜色如果RGB其他1
base_model=VGG19(权重=imagenet, include_top=False,池=没有 input_shape=(img_rows img_cols,颜色),
类=nb_classes)
#冻结base_model所有层,这样就可以正确获得瓶颈特征
base_model层。层:
层。可训练的=False
x=base_model。输出
#添加自己的全链接分类层
x=GlobalAveragePooling2D () (x)
x=密集(1024年,激活=relu) (x)
x=密集(1024年,激活=relu) (x)=
预测致密(nb_classes激活=softmax) (x)
#训练模型
=模型(输入=base_model模型。输入,输出=预测)
sgd=sgd (lr=lr,衰变=衰变,动量=动量,nesterov=True)
model.compile (=癱ategorical_crossentropy”损失,优化器=sgd, 指标=[“准确性”])
#绘图
如果is_plot_model:
plot_model(模型、to_file=' vgg19_model.png show_shapes=True)
回归模型# InceptionV3模型
def InceptionV3_model(自我,lr=0.005,=1 e-6衰减,动量=0.9, img_rows nb_classes=18日=197,img_cols=197, RGB=True,
is_plot_model=False):
颜色=3如果RGB其他1
base_model=InceptionV3(权重=imagenet, include_top=False, 池=,
input_shape=(img_rows img_cols,颜色),
类=nb_classes)
#冻结base_model所有层,这样就可以正确获得瓶颈特征
base_model层。层:
层。可训练的=False
x=base_model。输出
#添加自己的全链接分类层
x=GlobalAveragePooling2D () (x)
x=密集(1024年,激活=relu) (x)
# x=GlobalAveragePooling2D () (x)
x=密集(1024年,激活=relu) (x)=
预测致密(nb_classes激活=softmax) (x)
#训练模型
=模型(输入=base_model模型。输入,输出=预测)
sgd=sgd (lr=lr,衰变=衰变,动量=动量,nesterov=True)
model.compile (=癱ategorical_crossentropy”损失,优化器=sgd, 指标=[“准确性”])
#绘图
如果is_plot_model:
plot_model(模型,to_file=' inception_v3_model。png, show_shapes=True)
