如何使用Mobilenet和Keras進(jìn)行遷移學(xué)習(xí)

這篇文章將為大家詳細(xì)講解有關(guān)如何使用Mobilenet和Keras進(jìn)行遷移學(xué)習(xí)，文章內(nèi)容質(zhì)量較高，因此小編分享給大家做個參考，希望大家閱讀完這篇文章后對相關(guān)知識有一定的了解。

我將向您展示使用Mobilenet對狗的圖像進(jìn)行分類的示例。然后，我將向您展示一個例子，它會把藍(lán)山雀的圖像錯誤分類。然后，我將重新訓(xùn)練Mobilenet并使用遷移學(xué)習(xí)，以便它可以正確地對相同的輸入圖像進(jìn)行分類。在這個過程中，僅使用了兩個分類器，但是這可以擴(kuò)展到您想要的數(shù)量，僅限于您可用的硬件數(shù)量和時間。

Mobilenet的源文件位于：https：//arxiv.org/pdf/1704.04861.pdf

MobileNets：用于移動視覺應(yīng)用的高效卷積神經(jīng)網(wǎng)絡(luò)。

我們使用Mobilenet，是因?yàn)樗募軜?gòu)很輕巧。它使用深度可分離的卷積，這基本上意味著它在每個顏色通道上都執(zhí)行單個卷積，而不是將所有三個卷積相合并展平它。這具有過濾輸入通道的效果?；蛘哒绫疚淖髡咔宄亟忉尩哪菢樱骸皩τ贛obileNets，深度卷積對每個輸入通道應(yīng)用單個濾波器。然后，逐點(diǎn)卷積應(yīng)用1×1卷積來組合輸出深度卷積。標(biāo)準(zhǔn)卷積既可以在一個步驟中過濾并將輸入組合成一組新的輸出。深度可分離卷積將其分成兩層，一個用于過濾的單獨(dú)層一個用于組合的單獨(dú)層。這種因式分解具有顯著減少計(jì)算和模型大小的效果。”

逐點(diǎn)和深度卷積之間的差異

所以Mobilenet的整體架構(gòu)如下，有30層

1. 步長為2的卷積層

2. depthwise layer

3. pointwise layer，使通道數(shù)加倍

4. 步長為2的depthwise layer

5. pointwise layer，使通道數(shù)加倍

等等

Mobilenet完整架構(gòu)

它的維護(hù)成本非常低，在高速下表現(xiàn)也非常好。還有許多類型的預(yù)訓(xùn)練模型，其存儲器中的網(wǎng)絡(luò)大小和磁盤上使用的參數(shù)數(shù)量成比例。網(wǎng)絡(luò)的速度和功耗與MACs (Multiply-Accumulates)的數(shù)量成正比，后者是融合乘法和加法運(yùn)算數(shù)量的度量。

現(xiàn)在讓我們來看看代碼！

我的全部代碼：https：//github.com/ferhat00/Deep-Learning/tree/master/Transfer%20Learning%20CNN

讓我們加載必要的包和庫。

我們從Keras輸入預(yù)先訓(xùn)練的模型。

讓我們嘗試下對不同品種的狗的圖像進(jìn)行一些測試。

輸出：

輸出：

輸出：

到現(xiàn)在為止還挺好。它很好地分類了每一種狗，那么接下來讓我們試一種鳥類藍(lán)色的山雀來看看。

藍(lán)雀

輸出：

你可以看到它無法識別藍(lán)山雀。它錯誤地將圖像歸類為小雞。這是一種原產(chǎn)于北美的本土鳥類，并且有微妙的不同：

山雀

現(xiàn)在讓我們操縱Mobilenet架構(gòu)，重新訓(xùn)練前幾個層并使用遷移學(xué)習(xí)。要做到這一點(diǎn)，我們需要用一些圖像訓(xùn)練它。在這里，我將用藍(lán)山雀和烏鴉的圖像進(jìn)行訓(xùn)練。但是，不是手動下載它們的圖像，而是使用谷歌圖像搜索并拉動圖像。要做到這一點(diǎn)，我們可以導(dǎo)入一個很好的包。

查看https://github.com/hardikvasa/google-images-download

讓我們現(xiàn)在重新使用MobileNet，因?yàn)樗浅］p巧（17Mb），讓我們添加和訓(xùn)練前幾個層。注意我只會訓(xùn)練兩個分類器，藍(lán)山雀和烏鴉。

讓我們檢查一下模型架構(gòu)

我們將使用預(yù)先訓(xùn)練的權(quán)重，因?yàn)橐呀?jīng)在Imagenet數(shù)據(jù)集上訓(xùn)練了模型。我們確保所有權(quán)重都是不可訓(xùn)練的，只訓(xùn)練最后幾層密集層。

現(xiàn)在讓我們將訓(xùn)練數(shù)據(jù)加載到ImageDataGenerator中。指定路徑，它會自動發(fā)送批量訓(xùn)練數(shù)據(jù)，簡化代碼。

編譯模型?，F(xiàn)在讓我們訓(xùn)練吧。在GTX1070 GPU上花費(fèi)不到兩分鐘。

該模型現(xiàn)已接受訓(xùn)練。 現(xiàn)在讓我們測試一些獨(dú)立的輸入圖像來檢查預(yù)測。

輸出：

正如你所看到的，它正確地預(yù)測了烏鴉的圖像，因?yàn)樗{(lán)山雀的圖像被注釋掉了。

烏鴉

這可以進(jìn)一步擴(kuò)展到更多的圖像，更多數(shù)量的分類器可以更好地推廣，但它是實(shí)現(xiàn)CNN遷移學(xué)習(xí)的最輕量級的方法和最快捷的方式。這當(dāng)然取決于您想要實(shí)現(xiàn)模型的速度、準(zhǔn)確程度和硬件，以及您有多少時間可用。

關(guān)于如何使用Mobilenet和Keras進(jìn)行遷移學(xué)習(xí)就分享到這里了，希望以上內(nèi)容可以對大家有一定的幫助，可以學(xué)到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到。