Keras

在本教程中，您将学习如何为图像分类任务进行转移学习。 Keras的高级API使超级简单，只需几个简单的步骤。

转移学习使我们能够使用少得多的数据来训练深度网络，而如果我们从头开始训练的话，我们将需要它。通过转移学习，我们实际上是在将模型从先前任务中学到的“知识”转移到我们当前的任务。这个想法是，这两个任务不是完全脱节的，因此，我们可以利用模型通过广泛的培训中学到的任何网络参数，而不必自己进行培训。

传递学习已得到一致证明，可以提高模型的准确性并减少所需的培训时间。数据更少，时间更少，准确性更高。

加载东西

我们要做的第一件事是准备我们的数据。对于Keras中的图像分类，最简单的方法是将数据分类到每个类的文件夹中。例如，如果您的数据集具有3类：Pizza，Burger和Taco，则您应具有3个文件夹，分别称为Pizza，Burger和Taco。您的每个文件夹都应包含该特定类的图像。您的文件夹结构应如下所示：

接下来，我们可以选择要对其进行转移学习的模型。 Keras为此提供了许多选择。在做出选择时，您可以粗略地相信（出于此处的目的），较小的模型（以MB为单位）将更快但精度较低，而较大的模型将较慢但更准确。截至今天为止，MobileNet是最快的，而NASNetLarge是最准确的。今天，我们将选择处于中间位置的ResNet50模型。

查看下面的代码。我们首先导入必要的模型和预处理功能。 ResNet50模型经过了非常特殊的预处理训练，我们将希望对其进行重新使用以对其进行适当的训练。注意，当我们初始化基本模型时，如何设置include_top = False。此设置很重要，因为这意味着我们不会在模型的末尾保留全连接（FC）层。这正是我们想要的，因为我们将训练我们自己的全新FC层进行迁移学习。

流动数据

现在，我们需要创建一个数据生成器，以实际方式自动从文件夹中获取数据并进入Keras。 Keras为此提供了方便的python生成器功能。

我们定义我们的训练目录“ food_dataset”，其中包含我们之前设置的每个图像类别的文件夹。我们还定义了图像尺寸和批量大小。 Keras生成器将使用双线性插值自动将所有加载的图像调整为target_size的大小。我们将在生成器中添加一些额外的数据增强功能（翻转和旋转），以尝试提高模型的准确性。我们使用flow_from_directory函数创建最终生成器，该函数将使用队列来保持连续的加载和准备图像流！