keras冻结_【连载】深度学习第22讲：搭建一个基于keras的迁移学习花朵识别系统（附数据）...

在上一讲中，和大家探讨了迁移学习的基本原理，并利用 keras 基于 VGG16 预训练模型简单了在 mnist 数据集上做了演示。鉴于大家对于迁移学习的兴趣，本节将继续基于迁移学习利用一些花朵数据搭建一个花朵识别系统。因为是带有教学系统的演示，本节将尽量将试验过程完整详细的展示给大家，也会附上试验数据和代码，以供大家学习和复现试验内容。

使用的试验数据来自于罗大钧在 cos 统计之都上的分享，数据可于此处下载：
链接：https://pan.baidu.com/s/1whkhJMeV9od2oKRgCozFxg 密码：7amd

下载数据后解压可见共有五个文件夹，每个文件夹是一种花类，具体信息如下：

五种花种加起来不过是 3669 张图片，数据量不算小样本但也绝对算不上多。所以我们采取迁移学习的策略来搭建花朵识别系统。

实际数据中玫瑰花存在着一张图片的重复，笔者直接对其进行了删除。花型图片大致如下：

需要导入的 package:

import os import pandas as pd import numpy as np import cv2 import matplotlib.pyplot as plt from PIL import Image import time from sklearn.preprocessing import LabelEncoder from sklearn.model_selection import train_test_split import kerasfrom keras.models import Model from keras.layers import Dense, Activation, Flatten, Dropout from keras.utils import np_utils from keras.applications.resnet50 import ResNet50

提取数据标签

数据没有单独给出标签文件，需要我们自行通过文件夹提取每张图片的标签，建立标签文件：

def tranverse_images(path):labels = pd.DataFrame()first_dir_file = [file for file in os.listdir(path)] for item in first_dir_file:flower = [image for image in os.listdir(path+item)]labels_data = pd.DataFrame({'flower': flower, 'labels': item})labels = pd.concat((labels, labels_data)) return labelslabels = tranverse_images('./flower_photos/') labels.head()

这样标签文件就顺利拿到了。

图片预处理（缩放）

通过试验可知每张图片像素大小并不一致，所以在搭建模型之前，我们需要对图片进行整体缩放为统一尺寸。我们借助 opencv 的 python 库 cv2 可以轻松实现图片缩放，因为后面我们的迁移学习策略采用的是 ResNet50 作为预训练模型，所以我们这里将图片缩放大小为 224x224x3。单张图片的 resize 效果如下：
原图：

img = cv2.imread('./flower_photos/509239741_28e2cfe492_m.jpg') img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) plt.imshow(img3) print(img.shape)

缩放后的效果和尺寸：

img_1 = cv2.resize(img, (224, 224)) print(img_1.shape) img3_1 = cv2.cvtColor(img3_1, cv2.COLOR_BGR2RGB) plt.imshow(img_1)

批量缩放代码为：

# resize def resize_image(path1, path2):images = [img for img in os.listdir(path1)]total = 0start_time = time.time() for img in images:img1 = cv2.imread(path1 + img)img1 = cv2.resize(img1, (224, 224))total += 1print('now is resizing {} image.'.format(total))cv2.imwrite(path2+img, img1)print('all images are resized, all resized image is {}.'.format(total))end_time = time.time()print('the resize time is {}.'.format(end_time - start_time))resize_image(path1='./flower_photos/', path2='./resize_flower_photos/')

原始图片并不复杂，所以除了对其进行缩放处理之外基本无需多做处理。下一步我们需要将图片转化为可以拿来进行训练的 numpy 数组。

准备训练数据

处理好的图片无法直接拿来训练，我们需要将其转化为 numpy 数组的形式，另外标签也需要进一步的处理。
将图片转化为数组：

# image to array def image2array(labels, path):lst_imgs = [l for l in labels['flower']] return np.array([np.array(Image.open(path+img)) for img in lst_imgs])X = image2array(labels, './resize_flower_photos/') print(X.shape) np.save('./X_train.npy', X)(3669, 224, 224, 3)

可见转化后的数组大小为 3669x224x224x3，跟我们的实际数据一致。然后我们再来处理标签数据，标签变量都是分类值，我们先需要将其进行硬编码 LabelEncoder，然后借助 keras 将其 one-hot 处理。具体处理如下：

lbl = LabelEncoder().fit(list(labels['labels'].values)) labels['code_labels'] = pd.DataFrame(lbl.transform(list(labels['labels'].values))) labels.head()

训练数据的预处理准备停当，下面我们用 sklearn 划分一下数据集：

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42) print(X_train.shape, y_train.shape, X_test.shape, y_test.shape)(2568, 224, 224, 3) (2568,) (1101, 224, 224, 3) (1101,)

训练集和测试集数据划分完毕，终于可以进入建模环节啦。

基于resnet50 的迁移学习模型

试验模型的基本策略就是使用预训练模型的权重作为特征提取器，将预训练的权重进行冻结，只训练全连接层。在正式构建模型前，先将数据进行标准化以及标签数据进行 onehot 处理。

X_train /= 255 X_test /= 255 y_train = np_utils.to_categorical(y_train, 5) y_test = np_utils.to_categorical(y_test, 5)构建模型如下： def flower_model(X_train, y_train):base_model = ResNet50(include_top=False, weights='imagenet', input_shape=(224, 224, 3)) for layers in base_model.layers:layers.trainable = Falsemodel = Flatten()(base_model.output)model = Dense(128, activation='relu')(model)model = Dropout(0.5)(model)model = Dense(5, activation='softmax')(model)model = Model(inputs=base_model.input, outputs=model)model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])model.fit(X_train, y_train, batch_size=128, epochs=50) return model模型训练和测试集评估： model = flower_model(X_train, y_train) model.evaluate(X_test, y_test, verbose=0)训练过程：

限于计算资源，笔者的笔记本训练了一轮后就已热的发烫，果断停止了训练。大家若是有 gpu 计算资源的话可尝试将模型训练完。一两轮后模型的识别准确率就达到 70%，相信继续训练下去会有一个较高的识别率。

总结

以上是生活随笔为你收集整理的keras冻结_【连载】深度学习第22讲：搭建一个基于keras的迁移学习花朵识别系统（附数据）...的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。