使用Keras预训练好的模型进行目标类别预测详解

前言

最近开始学习深度学习相关的内容，各种书籍、教程下来到目前也有了一些基本的理解。参考Keras的官方文档自己做一个使用application的小例子，能够对图片进行识别，并给出可能性最大的分类。

闲言少叙，开始写代码

环境搭建相关就此省去，网上非常多。我觉得没啥难度

 from keras.applications.resnet50 import ResNet50 from keras.preprocessing import image from keras.applications.resnet50 import preprocess_input, decode_predictions import numpy as np

导入权重，首次会从网络进行下载，不过速度还是挺快的，使用ImageNet的数据集

model = ResNet50(weights=’imagenet’)

定义一个函数读取图片文件并处理。这里需要安装PLI的库。 pip install Pillow ,不然会报错

 def load_image(img_path): 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) return x

加载一个图片文件，默认在当前路径寻找

x=load_image(‘zebra.jpg-600’)

哈哈，开始预测了！激动人心啊

preds = model.predict(x)

执行速度很快，现在看看结果

print(‘Predicted:’, decode_predictions(preds, top=3)[0])

Predicted: [(‘n02391049′, ‘zebra’, 0.99566585), (‘n02423022′, ‘gazelle’, 0.0010297714), (‘n01518878′, ‘ostrich’, 0.00067320856)]

准确率还是不错，后续还测试了一些飞机之类的图片，总体来讲马马虎虎！

是不是非常简单，

来源gao!%daima.com搞$代*!码$网

确实很简单！

补充知识：模型训练loss先迅速下降后一直上升

loss函数走势如下：

检查代码没什么问题，分析应该是陷入了局部最优，把学习率调低一点就好了，从0.01调到了0.001