這篇文章將為大家詳細講解有關(guān)如何使用Mobilenet和Keras進行遷移學習，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。
10余年的橋東網(wǎng)站建設(shè)經(jīng)驗，針對設(shè)計、前端、開發(fā)、售后、文案、推廣等六對一服務(wù)，響應(yīng)快，48小時及時工作處理。網(wǎng)絡(luò)營銷推廣的優(yōu)勢是能夠根據(jù)用戶設(shè)備顯示端的尺寸不同，自動調(diào)整橋東建站的顯示方式，使網(wǎng)站能夠適用不同顯示終端，在瀏覽器中調(diào)整網(wǎng)站的寬度，無論在任何一種瀏覽器上瀏覽網(wǎng)站，都能展現(xiàn)優(yōu)雅布局與設(shè)計，從而大程度地提升瀏覽體驗。成都創(chuàng)新互聯(lián)從事“橋東網(wǎng)站設(shè)計”,“橋東網(wǎng)站推廣”以來，每個客戶項目都認真落實執(zhí)行。
我將向您展示使用Mobilenet對狗的圖像進行分類的示例。然后，我將向您展示一個例子，它會把藍山雀的圖像錯誤分類。然后，我將重新訓練Mobilenet并使用遷移學習，以便它可以正確地對相同的輸入圖像進行分類。在這個過程中，僅使用了兩個分類器，但是這可以擴展到您想要的數(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，是因為它的架構(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。或者正如本文作者清楚地解釋的那樣：“對于MobileNets，深度卷積對每個輸入通道應(yīng)用單個濾波器。然后，逐點卷積應(yīng)用1×1卷積來組合輸出深度卷積。標準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層一個用于組合的單獨層。這種因式分解具有顯著減少計算和模型大小的效果。”
逐點和深度卷積之間的差異
所以Mobilenet的整體架構(gòu)如下，有30層
步長為2的卷積層
depthwise layer
pointwise layer，使通道數(shù)加倍
步長為2的depthwise layer
pointwise layer，使通道數(shù)加倍
等等
Mobilenet完整架構(gòu)
它的維護成本非常低，在高速下表現(xiàn)也非常好。還有許多類型的預訓練模型，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輸入預先訓練的模型。
讓我們嘗試下對不同品種的狗的圖像進行一些測試。
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色的山雀來看看。
藍雀
輸出：
你可以看到它無法識別藍山雀。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)，重新訓練前幾個層并使用遷移學習。要做到這一點，我們需要用一些圖像訓練它。在這里，我將用藍山雀和烏鴉的圖像進行訓練。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，我們可以導入一個很好的包。
查看https://github.com/hardikvasa/google-images-download
讓我們現(xiàn)在重新使用MobileNet，因為它非常輕巧（17Mb），讓我們添加和訓練前幾個層。注意我只會訓練兩個分類器，藍山雀和烏鴉。
讓我們檢查一下模型架構(gòu)
我們將使用預先訓練的權(quán)重，因為已經(jīng)在Imagenet數(shù)據(jù)集上訓練了模型。我們確保所有權(quán)重都是不可訓練的，只訓練最后幾層密集層。
現(xiàn)在讓我們將訓練數(shù)據(jù)加載到ImageDataGenerator中。指定路徑，它會自動發(fā)送批量訓練數(shù)據(jù)，簡化代碼。
編譯模型?，F(xiàn)在讓我們訓練吧。在GTX1070 GPU上花費不到兩分鐘。
該模型現(xiàn)已接受訓練。 現(xiàn)在讓我們測試一些獨立的輸入圖像來檢查預測。
輸出：
正如你所看到的，它正確地預測了烏鴉的圖像，因為藍山雀的圖像被注釋掉了。
烏鴉
這可以進一步擴展到更多的圖像，更多數(shù)量的分類器可以更好地推廣，但它是實現(xiàn)CNN遷移學習的最輕量級的方法和最快捷的方式。這當然取決于您想要實現(xiàn)模型的速度、準確程度和硬件，以及您有多少時間可用。
關(guān)于如何使用Mobilenet和Keras進行遷移學習就分享到這里了，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。
重慶分公司
重慶分公司
