载入数据

从文件夹中载入图片

BATCH_SIZE = 32
IMG_SIZE = (160, 160)
directory = "dataset/"
train_dataset = image_dataset_from_directory(directory,shuffle=True,batch_size=BATCH_SIZE,image_size=IMG_SIZE,validation_split=0.2,subset='training',seed=42)
validation_dataset = image_dataset_from_directory(directory,shuffle=True,batch_size=BATCH_SIZE,image_size=IMG_SIZE,validation_split=0.2,subset='validation',seed=42)

打印几张图片

class_names = train_dataset.class_namesplt.figure(figsize=(10, 10))
for images, labels in train_dataset.take(1):for i in range(9):ax = plt.subplot(3, 3, i + 1)plt.imshow(images[i].numpy().astype("uint8"))plt.title(class_names[labels[i]])plt.axis("off")

数据增强（Data Augmentation）

仅仅简单的旋转、平移

# UNQ_C1
# GRADED FUNCTION: data_augmenter
def data_augmenter():'''Create a Sequential model composed of 2 layersReturns:tf.keras.Sequential'''### START CODE HEREdata_augmentation = tf.keras.Sequential()data_augmentation.add(RandomFlip('horizontal'))data_augmentation.add(RandomRotation(0.2))### END CODE HEREreturn data_augmentation

载入模型，并使用迁移学习修改模型

载入 Mobile_v2

IMG_SHAPE = IMG_SIZE + (3,)
base_model = tf.keras.applications.MobileNetV2(input_shape=IMG_SHAPE,include_top=True,weights='imagenet')

迁移学习（transfer learning）

首先，我们要了解迁移学习的主要原理，它的根据人们使用神经网络的经验，进行总结之后发现：

神经网络的前几层学习到的是较为低级的特征，例如图案的边，或者其他简单线条组成的图案，这些是很多图片都公有的特征
越往后，神经网络学习到的特征就越高级，例如，学习猫的图片，最后几层的神经网络可能就是猫耳图案的高级（数据集特有的特征）特征。
基于上述的经验总结，我们可以将一个训练好的模型的浅层神经网络直接拿过来使用，然后更改最后几层的神经网络结果，最后我们只更新最后几层的参数，浅层的参数不变，调低学习率对模型进行微调之后就可以达到他人训练好的模型为我所有的目的
迁移学习适用于：类似任务（猫和狗之类的任务），算力不足（具有很大的模型但算力不能支持从头训练），还可以借用开源的模型…

# UNQ_C2
# GRADED FUNCTION
def alpaca_model(image_shape=IMG_SIZE, data_augmentation=data_augmenter()):''' Define a tf.keras model for binary classification out of the MobileNetV2 modelArguments:image_shape -- Image width and heightdata_augmentation -- data augmentation functionReturns:Returns:tf.keras.model'''input_shape = image_shape + (3,)### START CODE HEREbase_model = tf.keras.applications.MobileNetV2(input_shape=input_shape,include_top=False, # <== Important!!!!weights='imagenet') # From imageNet# freeze the base model by making it non trainablebase_model.trainable = False# create the input layer (Same as the imageNetv2 input size)inputs = tf.keras.Input(shape=input_shape) # apply data augmentation to the inputsx = data_augmentation(inputs)# data preprocessing using the same weights the model was trained onx = preprocess_input(x) # set training to False to avoid keeping track of statistics in the batch norm layerx = base_model(x, training=False) # add the new Binary classification layers# use global avg pooling to summarize the info in each channelx = tf.keras.layers.GlobalAveragePooling2D()(x) # include dropout with probability of 0.2 to avoid overfittingx = tf.keras.layers.Dropout(0.2)(x)# use a prediction layer with one neuron (as a binary classifier only needs one)outputs = tf.keras.layers.Dense(units=1)(x)### END CODE HEREmodel = tf.keras.Model(inputs, outputs)return model

Mobile_v2 的最后几层是用于10中分类任务的，我们设置include_top = False，舍弃他们，然后使用Function Api 添加新的分类器。

设置 trainable = False，使得我们不更新前面的参数

但是我们知道，最后几层的神经网络学习的是高级特征，我们需要对最后几层神经网络进行微调，使得这几层神经网络学习到我们数据集想要的特征，因此我们对最后几层神经网络进行‘解冻’。

model2 = alpaca_model(IMG_SIZE, data_augmentation)
# UNQ_C3
base_model = model2.layers[4]
base_model.trainable = True
# Let's take a look to see how many layers are in the base model
print("Number of layers in the base model: ", len(base_model.layers))# Fine-tune from this layer onwards
fine_tune_at = 120### START CODE HERE# Freeze all the layers before the `fine_tune_at` layer
for layer in base_model.layers[:fine_tune_at]:layer.trainable = False# Define a BinaryCrossentropy loss function. Use from_logits=True
loss_function=tf.keras.losses.BinaryCrossentropy(from_logits=True)
# Define an Adam optimizer with a learning rate of 0.1 * base_learning_rate
optimizer = tf.keras.optimizers.Adam(learning_rate=0.1*base_learning_rate)
# Use accuracy as evaluation metric
metrics=['accuracy']### END CODE HEREmodel2.compile(loss=loss_function,optimizer = optimizer,metrics=metrics)
fine_tune_epochs = 5
total_epochs =  initial_epochs + fine_tune_epochshistory_fine = model2.fit(train_dataset,epochs=total_epochs,initial_epoch=history.epoch[-1],validation_data=validation_dataset)

MobileNet_v2 with transfer learning（修改Mobile_v2 模型）相关推荐

基于Keras Application和Densenet迁移学习（transfer learning）的乳腺癌图像分类模型（良性、恶性）
基于Keras Application和Densenet迁移学习(transfer learning)的乳腺癌图像分类模型(良性.恶性) 概论: 美国癌症学会官方期刊发表<2018年全球癌症统计 ...
【论文笔记09】Differentially Private Hypothesis Transfer Learning 差分隐私迁移学习模型, ECMLPKDD 2018
目录导引系列传送 Differentially Private Hypothesis Transfer Learning 1 Abstract 2 Bg & Rw 3 Setting &am ...
Domain adaptation：连接机器学习（Machine Learning）与迁移学习（Transfer Learning）
domain adaptation(域适配)是一个连接机器学习(machine learning)与迁移学习(transfer learning)的新领域.这一问题的提出在于从原始问题(对应一个 so ...
深度学习不得不会的迁移学习Transfer Learning
http://blog.itpub.net/29829936/viewspace-2641919/ 2019-04-18 10:04:53 目录一.概述二.什么是迁移学习? 2.1 模型的训练与预 ...
AI入门：Transfer Learning（迁移学习）
迁移学习是一种机器学习方法,就是把为任务 A 开发的模型作为初始点,重新使用在为任务 B 开发模型的过程中 Pokemon Dataset 通过网络上收集宝可梦的图片,制作图像分类数据集.我收集了5种 ...
迁移学习(transfer learning)与finetune的关系？【finetune只是transfer learning的一种手段】
目录 1.迁移学习简介 2.为什么要迁移学习? 3.迁移学习的几种方式 1)Transfer Learning: 2)Extract Feature Vector: 3)Fine-tune: 4.三种 ...
【论文阅读笔记】High Quality Monocular Depth Estimation via Transfer Learning
文章目录 High Quality Monocular Depth Estimation via Transfer Learning Abstract 1. Introduction 2. Relat ...
迁移学习（Transfer Learning）-- 概念理解
迁移学习(Transfer Learning) 迁移学习概述背景随着越来越多的机器学习应用场景的出现,而现有表现比较好的监督学习需要大量的标注数据,标注数据是一项枯燥无味且花费巨大的任务,所以迁移 ...
scJoint integrates atlas-scale single-cell RNA-seq and ATAC-seq data with transfer learning
scJoint integrates atlas-scale single-cell RNA-seq and ATAC-seq data with transfer learning Nature B ...

MobileNet_v2 with transfer learning（修改Mobile_v2 模型）

文章目录

载入数据

数据增强（Data Augmentation）

载入模型，并使用迁移学习修改模型

迁移学习（transfer learning）

MobileNet_v2 with transfer learning（修改Mobile_v2 模型）相关推荐

最新文章

热门文章