迁移学习之ResNet50和ResNet101（图像识别）

大家好，又见面了，我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。

Jetbrains全系列IDE稳定放心使用

1.实现的效果：

实际的图片：

（1）可以看到ResNet50预测的前三个结果中第一个结果为：whippet（小灵狗）
（2）ResNet50预测的前三个结果中第一个结果为：Walker_hound（步行猎犬）
（3）从结果上来看，比之前的VGG16和VGG19预测的效果都要好（这里虽然不知道图片中的够具体是什么狗，但是结果都预测成了“狗”的类别）

关于InceptionV3（159层）,Xception（126层）,Inception_ResNet_V2（572层）：
https://mydreamambitious.blog.csdn.net/article/details/123907490
关于VGG16和VGG19：
https://mydreamambitious.blog.csdn.net/article/details/123906643
关于MobileNet（88层）和MobileNetV2（88层）：
https://mydreamambitious.blog.csdn.net/article/details/123907955
关于DenseNet121(121层）,DenseNet169(169层),DenseNet201(201层)：
https://mydreamambitious.blog.csdn.net/article/details/123908742
EfficientNetBX
https://mydreamambitious.blog.csdn.net/article/details/123929264

2.主文件TransorResNet.py:

import os
import keras
import numpy as np
from PIL import Image
from keras.preprocessing import image
from keras.preprocessing.image import img_to_array
from keras.applications.resnet import preprocess_input,decode_predictions
def load_ResNet50():
#加载ResNet50并且保留顶层（也就是全连接层）
model_ResNet50=keras.applications.resnet.ResNet50(weights='imagenet')
#图形路径
curr_path=os.getcwd()
img_path=curr_path+'\\images\\train\\dog\\1.jpg'
#将图像转换为网络需要的大小，因为我们这里加载的模型都是固定输入大小224*224
img=image.load_img(img_path,target_size=(224,224))
#首先需要转换为向量的形式
img_out=image.img_to_array(img)
#扩充维度
img_out=np.expand_dims(img_out,axis=0)
#对输入的图像进行处理
img_out=preprocess_input(img_out)
# decode the results into a list of tuples (class, description, probability)
# (one such list for each sample in the batch)
#上面这段话的意思是输出包括（类别，图像描述，输出概率）
preds=model_ResNet50.predict(img_out)
#输出前三个结果的可能性
print('Predicted: ',decode_predictions(preds,top=3)[0])
print('Predicted: ',decode_predictions(preds,top=3))
def load_ResNet101():
# 加载ResNet50并且保留顶层（也就是全连接层）
model_ResNet50 = keras.applications.resnet.ResNet101(weights='imagenet')
# 图形路径
img_path = 'images/train/dog/1.jpg'
# 将图像转换为网络需要的大小，因为我们这里加载的模型都是固定输入大小224*224
img = image.load_img(img_path, target_size=(224, 224))
# 首先需要转换为向量的形式
img_out = image.img_to_array(img)
# 扩充维度
img_out = np.expand_dims(img_out, axis=0)
# 对输入的图像进行处理
img_out = preprocess_input(img_out)
# decode the results into a list of tuples (class, description, probability)
# (one such list for each sample in the batch)
# 上面这段话的意思是输出包括（类别，图像描述，输出概率）
preds = model_ResNet50.predict(img_out)
# 输出前三个结果的可能性
print('Predicted: ', decode_predictions(preds, top=3)[0])
print('Predicted: ', decode_predictions(preds, top=3))
if __name__ == '__main__':
print('Pycharm')
print('load_ResNet50:\n')
load_ResNet50()
print('load_ResNet101:\n')
load_ResNet101()