Keras預(yù)訓(xùn)練好的模型進(jìn)行目標(biāo)類別預(yù)測(cè)的案例分析

小編給大家分享一下Keras預(yù)訓(xùn)練好的模型進(jìn)行目標(biāo)類別預(yù)測(cè)的案例分析，希望大家閱讀完這篇文章后大所收獲，下面讓我們一起去探討方法吧！

前言

最近開始學(xué)習(xí)深度學(xué)習(xí)相關(guān)的內(nèi)容，各種書籍、教程下來(lái)到目前也有了一些基本的理解。參考Keras的官方文檔自己做一個(gè)使用application的小例子，能夠?qū)D片進(jìn)行識(shí)別，并給出可能性最大的分類。

閑言少敘，開始寫代碼

環(huán)境搭建相關(guān)就此省去，網(wǎng)上非常多。我覺得沒(méi)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

導(dǎo)入權(quán)重，首次會(huì)從網(wǎng)絡(luò)進(jìn)行下載，不過(guò)速度還是挺快的，使用ImageNet的數(shù)據(jù)集

model = ResNet50(weights='imagenet')

定義一個(gè)函數(shù)讀取圖片文件并處理。這里需要安裝PLI的庫(kù)。 pip install Pillow ,不然會(huì)報(bào)錯(cuò)

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

加載一個(gè)圖片文件，默認(rèn)在當(dāng)前路徑尋找

x=load_image('zebra.jpg')

哈哈，開始預(yù)測(cè)了！激動(dòng)人心啊

preds = model.predict(x)

執(zhí)行速度很快，現(xiàn)在看看結(jié)果

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

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

準(zhǔn)確率還是不錯(cuò)，后續(xù)還測(cè)試了一些飛機(jī)之類的圖片，總體來(lái)講馬馬虎虎！

是不是非常簡(jiǎn)單，確實(shí)很簡(jiǎn)單！

補(bǔ)充知識(shí)：模型訓(xùn)練loss先迅速下降后一直上升

loss函數(shù)走勢(shì)如下：

檢查代碼沒(méi)什么問(wèn)題，分析應(yīng)該是陷入了局部最優(yōu)，把學(xué)習(xí)率調(diào)低一點(diǎn)就好了，從0.01調(diào)到了0.001

看完了這篇文章，相信你對(duì)Keras預(yù)訓(xùn)練好的模型進(jìn)行目標(biāo)類別預(yù)測(cè)的案例分析有了一定的了解，想了解更多相關(guān)知識(shí)，歡迎關(guān)注億速云行業(yè)資訊頻道，感謝各位的閱讀！