我想在 keras 中使用预训练的 imagenet VGG16 模型,并在上面添加我自己的小型卷积网络。我只对特征感兴趣,对预测不感兴趣
from keras.preprocessing.image import ImageDataGenerator, array_to_img, img_to_array, load_img
from keras.applications.vgg16 import VGG16
from keras.preprocessing import image
from keras.applications.vgg16 import preprocess_input
import numpy as np
import os
from keras.models import Model
from keras.models import Sequential
from keras.layers import Convolution2D, MaxPooling2D
from keras.layers import Activation, Dropout, Flatten, Dense
从目录加载图片(该目录包含 4 张图片)
IF = '/home/ubu/files/png/'
files = os.listdir(IF)
imgs = [img_to_array(load_img(IF + p, target_size=[224,224])) for p in files]
im = np.array(imgs)
加载基础模型,预处理输入并获取特征
base_model = VGG16(weights='imagenet', include_top=False)
x = preprocess_input(aa)
features = base_model.predict(x)
这行得通,我在预训练的 VGG 上获得了图像的特征。
我现在想微调模型并添加一些卷积层。 我读了https://blog.keras.io/building-powerful-image-classification-models-using-very-little-data.html和 https://keras.io/applications/但不能完全将它们结合在一起。
在上面添加我的模型:
x = base_model.output
x = Convolution2D(32, 3, 3)(x)
x = Activation('relu')(x)
x = MaxPooling2D(pool_size=(2, 2))(x)
x = Convolution2D(32, 3, 3)(x)
x = Activation('relu')(x)
feat = MaxPooling2D(pool_size=(2, 2))(x)
建立完整的模型
model_complete = Model(input=base_model.input, output=feat)
停止学习基础层
for layer in base_model.layers:
layer.trainable = False
新模型
model_complete.compile(optimizer='rmsprop',
loss='binary_crossentropy')
现在拟合新模型,模型是 4 张图像,[1,0,1,0] 是类标签。 但这显然是错误的:
model_complete.fit_generator((x, [1,0,1,0]), samples_per_epoch=100, nb_epoch=2)
ValueError: output of generator should be a tuple (x, y, sample_weight) or (x, y). Found: None
这是怎么做到的?
如果我只想替换最后一个卷积 block (VGG16 中的 conv block5)而不是添加一些东西,我该怎么做?
我如何只训练瓶颈特征?
特征输出 features
的形状为 (4, 512, 7, 7)。有四个图像,但其他空间是什么?我如何将其缩减为 (1,x) 数组?
最佳答案
拟合模型
您的生成器代码的问题在于 fit_generator 方法需要一个生成器函数来生成您未提供的拟合数据。 您可以按照链接到的教程中的方式定义生成器,也可以自己创建数据和标签并自己拟合模型:
model_complete.fit(images, labels, batch_size=100, nb_epoch=2)
其中图像是您生成的训练图像,标签是相应的标签。
移除最后一层
假设您有一个模型变量和下面描述的“pop”方法,您可以执行 model = pop(model)
来移除最后一层。
仅训练特定层 正如您在代码中所做的那样,您可以:
for layer in base_model.layers:
layer.trainable = False
然后您可以通过将它们的 trainable
属性更改为 True
来“解冻”和分层。
改变维度
要将输出更改为一维数组,您可以使用 Flatten layer
弹出方法
def pop(model):
'''Removes a layer instance on top of the layer stack.
This code is thanks to @joelthchao https://github.com/fchollet/keras/issues/2371#issuecomment-211734276
'''
if not model.outputs:
raise Exception('Sequential model cannot be popped: model is empty.')
else:
model.layers.pop()
if not model.layers:
model.outputs = []
model.inbound_nodes = []
model.outbound_nodes = []
else:
model.layers[-1].outbound_nodes = []
model.outputs = [model.layers[-1].output]
model.built = False
return model
关于python - 在keras中微调预训练模型,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/41764041/