使用Keras預訓練好的模型進行目標類別預測詳解
阿新 • • 發佈:2020-06-28
前言
最近開始學習深度學習相關的內容,各種書籍、教程下來到目前也有了一些基本的理解。參考Keras的官方文件自己做一個使用application的小例子,能夠對圖片進行識別,並給出可能性最大的分類。
閒言少敘,開始寫程式碼
環境搭建相關就此省去,網上非常多。我覺得沒啥難度
from keras.applications.resnet50 import ResNet50 from keras.preprocessing import image from keras.applications.resnet50 import preprocess_input,decode_predictions import numpy as np
匯入權重,首次會從網路進行下載,不過速度還是挺快的,使用ImageNet的資料集
model = ResNet50(weights='imagenet')
定義一個函式讀取圖片檔案並處理。這裡需要安裝PLI的庫。 pip install Pillow,不然會報錯
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
載入一個圖片檔案,預設在當前路徑尋找
x=load_image('zebra.jpg')
哈哈,開始預測了!激動人心啊
preds = model.predict(x)
執行速度很快,現在看看結果
print('Predicted:',decode_predictions(preds,top=3)[0])
Predicted: [(‘n02391049',‘zebra',0.99566585),(‘n02423022',‘gazelle',0.0010297714),(‘n01518878',‘ostrich',0.00067320856)]
準確率還是不錯,後續還測試了一些飛機之類的圖片,總體來講馬馬虎虎!
是不是非常簡單,確實很簡單!
補充知識:模型訓練loss先迅速下降後一直上升
loss函式走勢如下:
檢查程式碼沒什麼問題,分析應該是陷入了局部最優,把學習率調低一點就好了,從0.01調到了0.001
以上這篇使用Keras預訓練好的模型進行目標類別預測詳解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。