本博客仅用于个人学习，不用于传播教学，主要是记自己能够看得懂的笔记（
学习知识来自：【吴恩达团队Tensorflow2.0实践系列课程第一课】TensorFlow2.0中基于TensorFlow2.0的人工智能、机器学习和深度学习简介及基础编程_哔哩哔哩_bilibili
数据增强：以图片为例，将图片进行放大、旋转、平移、翻转等操作，就是一种数据增强的方式，因为测试数据中的目标不一定在图片*，也不一定是固定的姿态。
迁移学习：自己run辣么大的数据肯定很累啦，所以要用踩在巨人的肩膀上发展。迁移学习就是借用别人做过的模型，在其基础上训练自己的数据，以达到更好的效果。
数据可见：机器学习笔记（二十三）——Tensorflow 2（可视化） - Lcy的瞎bb - 博客园 (cnblogs.com)
代码：
import os import tensorflow as tf import numpy as np from tensorflow.keras.preprocessing.image import ImageDataGenerator as idg from tensorflow.keras.preprocessing import image from tensorflow.keras import Model from tensorflow.keras import layers from tensorflow.keras.applications.inception_v3 import InceptionV3 from tensorflow.keras.optimizers import RMSprop filepath=\'E:/Python_Files/tensorflow/transfer-learning\' local=filepath+\'/tmp/inception_v3_weights_tf_dim_ordering_tf_kernels_notop.h5\' #这是网上的大佬自己训练了百万个数据得到的神经网络，这里我们就用ta的来迁移学习 files=[] for root,dirs,files in os.walk(filepath+\'/tmp/test\'): used_up_variable=0 class myCallback(tf.keras.callbacks.Callback): #Callback类的继承类 def on_epoch_end(self,epoch,logs={}): #重写on_epoch_end函数 if logs.get(\'val_acc\')>0.95: print(\'\nReached 95% accuracy so canceling training.\') self.model.stop_training=True #达到条件，停止训练 callback=myCallback() p_model=InceptionV3( #keras内部自带的神经网络结构 input_shape=(150,150,3), include_top=False, #该神经网络顶部是Dense层，可以不需要 weights=None #内置的权值都不要 ) p_model.load_weights(local) #将大佬的模型导入到这个结构中 for layer in p_model.layers: layer.trainable=False #固定，不能训练 #print(p_model.summary()) last_layer=p_model.get_layer(\'mixed7\') #选中其中一层，一般是最底层，此处不是 last_output=last_layer.output #得到输出 x=layers.Flatten()(last_output) x=layers.Dense(1024,activation=\'relu\')(x) x=layers.Dropout(0.2)(x) x=layers.Dense(1,activation=\'sigmoid\')(x) #搞几个连接层 model=Model(p_model.input,x) #以此建立新模型 model.compile( optimizer=RMSprop(lr=0.0001), loss=\'binary_crossentropy\', metrics=[\'acc\'] ) datagen=idg( #此处为增强数据的各种方法 rescale=1./255, #归一化 rotation_range=40, #随机旋转-40~40度 width_shift_range=0.2, #随机改变宽度20% height_shift_range=0.2, #随机改变高度20% shear_range=0.2, #随机倾斜裁剪20% zoom_range=0.2, #随机放大20% horizontal_flip=True, #随机翻转 fill_mode=\'nearest\' #图像改变后，需要将像素重新填充，用最近像素的特征来填充 ) #数据增强的generator traingen=datagen.flow_from_directory( #训练数据集，并用文件夹名作为标签分类 filepath+\'/tmp/train\', #数据集所在地址 target_size=(150,150), #自动生成300*300的图片 batch_size=10, #这个不能太大，不然会超内存，所以我这个程序运行得贼慢 class_mode=\'binary\' #二分类模式 ) valigen=datagen.flow_from_directory( #验证数据集 filepath+\'/tmp/validation\', target_size=(150,150), batch_size=10, class_mode=\'binary\' ) model.fit( #训练模型 traingen, #训练数据集generator steps_per_epoch=200, #注意前面的batch_size，这两个乘起来要大于等于数据集个数 epochs=100, validation_data=valigen, #验证数据集generator validation_steps=100, #这个与验证数据集的batch_size也是一样，乘起来大于等于验证数据集个数 callbacks=[callback] ) for file in files: pat=filepath+\'/tmp/test/\'+file # img=cv2.imdecode(np.fromfile(pat,dtype=np.uint8),-1) img=image.load_img(pat,target_size=(150,150)) #导入图像 x=image.img_to_array(img) #变成array类 imgs=np.expand_dims(x,axis=0) #增加一个维度 # imgs=np.vstack([imgs]) imgs=imgs/255.0 #归一化，应该可以不用 classes=model.predict(imgs,batch_size=10) print(classes[0]) #输出预测值 if classes[0]>0.5: print(file+\' is a dog.\') else: print(file+\' is a cat.\')
得到结果：
Reached 95% accuracy so canceling training.
200/200 [==============================] - 40s 201ms/step - loss: 0.0703 - acc: 0.9760 - val_loss: 0.2258 - val_acc: 0.9520
[7.234914e-18]
cat.jpg is a cat.
[5.679721e-19]
cat1.jpg is a cat.
[0.00087641]
cat2.jpg is a cat.
[0.00128891]
cat3.jpg is a cat.
[0.999015]
cat4.jpg is a dog.
[7.817044e-12]
cat5.jpg is a cat.
[1.2193369e-11]
cat6.jpg is a cat.
[4.3203903e-09]
cat_cut.png is a cat.
[1.8515493e-10]
cat_from_traindata.jpg is a cat.
[1.]
dog.jpg is a dog.
[0.9999778]
dog1.jpg is a dog.
[1.]
dog2.jpg is a dog.
[1.]
dog3.jpg is a dog.
[1.]
dog4.jpg is a dog.
[0.9444226]
dog5.jpg is a dog.
[1.]
dog6.jpg is a dog.
[1.]
dog7.jpg is a dog.
[1.]
dog_from_traindata.jpg is a dog.
结果还不错啊。
参考博客：
Keras ImageDataGenerator参数_jacke121的专栏-CSDN博客_imagedatagenerator