溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
小編給大家分享一下Keras預訓練好的模型進行目標類別預測的案例分析，希望大家閱讀完這篇文章后大所收獲，下面讓我們一起去探討方法吧！
前言
最近開始學習深度學習相關的內容，各種書籍、教程下來到目前也有了一些基本的理解。參考Keras的官方文檔自己做一個使用application的小例子，能夠對圖片進行識別，并給出可能性最大的分類。
閑言少敘，開始寫代碼
環境搭建相關就此省去，網上非常多。我覺得沒啥難度
from keras.applications.resnet50 import ResNet50 from keras.preprocessing import image from keras.applications.resnet50 import preprocess_input, decode_predictions import numpy as np
導入權重，首次會從網絡進行下載，不過速度還是挺快的，使用ImageNet的數據集
model = ResNet50(weights='imagenet')
定義一個函數讀取圖片文件并處理。這里需要安裝PLI的庫。 pip install Pillow ,不然會報錯
def load_image(img_path): img = image.load_img(img_path, target_size=(224, 224)) x = image.img_to_array(img) x = np.expand_dims(x, axis=0) x = preprocess_input(x) return x
加載一個圖片文件，默認在當前路徑尋找
x=load_image('zebra.jpg')
哈哈，開始預測了！激動人心啊
preds = model.predict(x)
執行速度很快，現在看看結果
print('Predicted:', decode_predictions(preds, top=3)[0])
Predicted: [(‘n02391049', ‘zebra', 0.99566585), (‘n02423022', ‘gazelle', 0.0010297714), (‘n01518878', ‘ostrich', 0.00067320856)]
準確率還是不錯，后續還測試了一些飛機之類的圖片，總體來講馬馬虎虎！
是不是非常簡單，確實很簡單！
補充知識：模型訓練loss先迅速下降后一直上升
loss函數走勢如下：
檢查代碼沒什么問題，分析應該是陷入了局部最優，把學習率調低一點就好了，從0.01調到了0.001
看完了這篇文章，相信你對Keras預訓練好的模型進行目標類別預測的案例分析有了一定的了解，想了解更多相關知識，歡迎關注億速云行業資訊頻道，感謝各位的閱讀！
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
