我们来实践一个具体的例子：热狗识别。将基于一个小数据集对在ImageNet数据集上训练好的ResNet模型进行微调。该小数据集含有数千张热狗或者其他事物的图像。我们将使用微调得到的模型来识别一张图像中是否包含热狗。

首先，导入实验所需的工具包。

import tensorflow as tfimport numpy as np

获取数据集

我们首先将数据集放在路径hotdog/data之下:

每个类别文件夹里面是图像文件。

上一节中我们介绍了ImageDataGenerator进行图像增强，我们可以通过以下方法读取图像文件，该方法以文件夹路径为参数,生成经过图像增强后的结果，并产生batch数据：

flow_from_directory(self, directory,                            target_size=(256, 256), color_mode='rgb',                            classes=None, class_mode='categorical',                            batch_size=32, shuffle=True, seed=None,                            save_to_dir=None）

主要参数：

　　▪ directory: 目标文件夹路径，对于每一个类对应一个子文件夹，该子文件夹中任何JPG、PNG、BNP、PPM的图片都可以读取。

　　▪ target_size: 默认为(256, 256)，图像将被resize成该尺寸。

　　▪ batch_size: batch数据的大小，默认32。

　　▪ shuffle: 是否打乱数据，默认为True。

我们创建两个tf.keras.preprocessing.image.ImageDataGenerator实例来分别读取训练数据集和测试数据集中的所有图像文件。将训练集图片全部处理为高和宽均为224像素的输入。此外，我们对RGB(红、绿、蓝)三个颜色通道的数值做标准化。

# 获取数据集import pathlibtrain_dir = 'transferdata/train'test_dir = 'transferdata/test'# 获取训练集数据train_dir = pathlib.Path(train_dir)train_count = len(list(train_dir.glob('*/*.jpg')))# 获取测试集数据test_dir = pathlib.Path(test_dir)test_count = len(list(test_dir.glob('*/*.jpg')))# 创建imageDataGenerator进行图像处理image_generator = tf.keras.preprocessing.image.ImageDataGenerator(rescale=1./255)# 设置参数BATCH_SIZE = 32IMG_HEIGHT = 224IMG_WIDTH = 224# 获取训练数据train_data_gen = image_generator.flow_from_directory(directory=str(train_dir),                                                    batch_size=BATCH_SIZE,                                                    target_size=(IMG_HEIGHT, IMG_WIDTH),                                                    shuffle=True)# 获取测试数据test_data_gen = image_generator.flow_from_directory(directory=str(test_dir),                                                    batch_size=BATCH_SIZE,                                                    target_size=(IMG_HEIGHT, IMG_WIDTH),                                                    shuffle=True)

下面我们随机取1个batch的图片然后绘制出来。

import matplotlib.pyplot as plt# 显示图像def show_batch(image_batch, label_batch):    plt.figure(figsize=(10,10))    for n in range(15):        ax = plt.subplot(5,5,n+1)        plt.imshow(image_batch[n]）        plt.axis('off')# 随机选择一个batch的图像        image_batch, label_batch = next(train_data_gen)# 图像显示show_batch(image_batch, label_batch)

模型构建与训练

我们使用在ImageNet数据集上预训练的ResNet-50作为源模型。这里指定weights='imagenet'来自动下载并加载预训练的模型参数。在第一次使用时需要联网下载模型参数。

Keras应用程序(keras.applications)是具有预先训练权值的固定架构，该类封装了很多重量级的网络架构，如下图所示：

实现时实例化模型架构：

tf.keras.applications.ResNet50(    include_top=True, weights='imagenet', input_tensor=None, input_shape=None,    pooling=None, classes=1000, **kwargs)

主要参数：

▪ include_top: 是否包括顶层的全连接层。

▪ weights: None 代表随机初始化， 'imagenet' 代表加载在 ImageNet 上预训练的权值。

▪ input_shape: 可选，输入尺寸元组，仅当 include_top=False 时有效，否则输入形状必须是 (224, 224, 3)(channels_last 格式)或 (3, 224, 224)(channels_first 格式)。它必须为 3 个输入通道，且宽高必须不小于 32，比如 (200, 200, 3) 是一个合法的输入尺寸。

在该案例中我们使用resNet50预训练模型构建模型：

# 加载预训练模型ResNet50 = tf.keras.applications.ResNet50(weights='imagenet', input_shape=(224,224,3))# 设置所有层不可训练for layer in ResNet50.layers:    layer.trainable = False# 设置模型net = tf.keras.models.Sequential()# 预训练模型net.add(ResNet50)# 展开net.add(tf.keras.layers.Flatten())# 二分类的全连接层net.add(tf.keras.layers.Dense(2, activation='softmax'))

接下来我们使用之前定义好的ImageGenerator将训练集图片送入ResNet50进行训练。

# 模型编译：指定优化器，损失函数和评价指标net.compile(optimizer='adam',            loss='categorical_crossentropy',            metrics=['accuracy'])# 模型训练：指定数据，每一个epoch中只运行10个迭代，指定验证数据集history = net.fit(                    train_data_gen,                    steps_per_epoch=10,                    epochs=3,                    validation_data=test_data_gen,                    validation_steps=10                    )

Epoch 1/310/10 [==============================] - 28s 3s/step - loss: 0.6931 - accuracy: 0.5031 - val_loss: 0.6930 - val_accuracy: 0.5094Epoch 2/310/10 [==============================] - 29s 3s/step - loss: 0.6932 - accuracy: 0.5094 - val_loss: 0.6935 - val_accuracy: 0.4812Epoch 3/310/10 [==============================] - 31s 3s/step - loss: 0.6935 - accuracy: 0.4844 - val_loss: 0.6933 - val_accuracy: 0.4875