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！

弹出层

现在是时候为过渡学习建立我们的最终模型了。如果将来要再次使用它，可能会发现为它编写函数非常方便。您可以从下面开始。

首先冻结所有基本模型的图层。我们不想训练这些层，因为我们试图利用网络从以前的数据集（在本例中为ImageNet）中学到的知识。通过设置layer.trainable = False，我们告诉Keras在训练期间不要更新这些权重，这正是我们想要的！

现在，我们可以添加FC层。由于许多网络具有多个FC层，因此我们循环执行此操作，并且遍历列表使事情变得简单明了。我们还将在每个FC层中添加一些删除项，以减少过度拟合的机会（此部分是可选的）。最后，我们添加最后的Softmax层并构建Keras模型。

一旦我们的功能全部设置好，创建最终模型就很简单。只需传递softmax层的类数，列表中FC层的大小（因为我们对其进行循环）以及丢失概率。

训练

最后一步是设置我们的培训，然后单击红色的大按钮使其全部运行！

我们将使用亚当优化器，将其学习率值设置为较小的值。 我们选择Adam是因为它相对于SGD而言超级易用。 我们将学习率设置为较小，因为我们仅在这里微调模型，尤其是FC层； 我们不希望进行任何重大更改，而只是进行调整。

我们还将设置一些检查点以保存权重以供以后使用。 应用fit_generator函数可运行整个训练方案，并带有可选的时期数，批处理大小和数据改组。 训练完成后，我们可以使用历史记录输出训练结果。 瞧，转学！

喜欢学习吗？

在Twitter上关注我，在其中发布有关最新，最出色的AI，技术和科学的所有信息！ 也在LinkedIn上与我联系！

推荐读物

想更多地了解深度学习？ 《使用Python进行深度学习》这本书将教您如何使用有史以来最简单的Python库进行真正的深度学习：Keras！

本文编译自 | towardsdatascience.com 译者 | Yafei