如何使用Mobilenet和Keras進行遷移學習

這篇文章將為大家詳細講解有關如何使用Mobilenet和Keras進行遷移學習，文章內容質量較高，因此小編分享給大家做個參考，希望大家閱讀完這篇文章后對相關知識有一定的了解。

我將向您展示使用Mobilenet對狗的圖像進行分類的示例。然后，我將向您展示一個例子，它會把藍山雀的圖像錯誤分類。然后，我將重新訓練Mobilenet并使用遷移學習，以便它可以正確地對相同的輸入圖像進行分類。在這個過程中，僅使用了兩個分類器，但是這可以擴展到您想要的數量，僅限于您可用的硬件數量和時間。

Mobilenet的源文件位于：https：//arxiv.org/pdf/1704.04861.pdf

MobileNets：用于移動視覺應用的高效卷積神經網絡。

我們使用Mobilenet，是因為它的架構很輕巧。它使用深度可分離的卷積，這基本上意味著它在每個顏色通道上都執行單個卷積，而不是將所有三個卷積相合并展平它。這具有過濾輸入通道的效果。或者正如本文作者清楚地解釋的那樣：“對于MobileNets，深度卷積對每個輸入通道應用單個濾波器。然后，逐點卷積應用1×1卷積來組合輸出深度卷積。標準卷積既可以在一個步驟中過濾并將輸入組合成一組新的輸出。深度可分離卷積將其分成兩層，一個用于過濾的單獨層一個用于組合的單獨層。這種因式分解具有顯著減少計算和模型大小的效果。”

逐點和深度卷積之間的差異

所以Mobilenet的整體架構如下，有30層

1. 步長為2的卷積層

2. depthwise layer

3. pointwise layer，使通道數加倍

4. 步長為2的depthwise layer

5. pointwise layer，使通道數加倍

等等

Mobilenet完整架構

它的維護成本非常低，在高速下表現也非常好。還有許多類型的預訓練模型，其存儲器中的網絡大小和磁盤上使用的參數數量成比例。網絡的速度和功耗與MACs (Multiply-Accumulates)的數量成正比，后者是融合乘法和加法運算數量的度量。

現在讓我們來看看代碼！

我的全部代碼：https：//github.com/ferhat00/Deep-Learning/tree/master/Transfer%20Learning%20CNN

讓我們加載必要的包和庫。

我們從Keras輸入預先訓練的模型。

讓我們嘗試下對不同品種的狗的圖像進行一些測試。

輸出：

輸出：

輸出：

到現在為止還挺好。它很好地分類了每一種狗，那么接下來讓我們試一種鳥類藍色的山雀來看看。

藍雀

輸出：

你可以看到它無法識別藍山雀。它錯誤地將圖像歸類為小雞。這是一種原產于北美的本土鳥類，并且有微妙的不同：

山雀

現在讓我們操縱Mobilenet架構，重新訓練前幾個層并使用遷移學習。要做到這一點，我們需要用一些圖像訓練它。在這里，我將用藍山雀和烏鴉的圖像進行訓練。但是，不是手動下載它們的圖像，而是使用谷歌圖像搜索并拉動圖像。要做到這一點，我們可以導入一個很好的包。

查看https://github.com/hardikvasa/google-images-download

讓我們現在重新使用MobileNet，因為它非常輕巧（17Mb），讓我們添加和訓練前幾個層。注意我只會訓練兩個分類器，藍山雀和烏鴉。

讓我們檢查一下模型架構

我們將使用預先訓練的權重，因為已經在Imagenet數據集上訓練了模型。我們確保所有權重都是不可訓練的，只訓練最后幾層密集層。

現在讓我們將訓練數據加載到ImageDataGenerator中。指定路徑，它會自動發送批量訓練數據，簡化代碼。

編譯模型。現在讓我們訓練吧。在GTX1070 GPU上花費不到兩分鐘。

該模型現已接受訓練。 現在讓我們測試一些獨立的輸入圖像來檢查預測。

輸出：

正如你所看到的，它正確地預測了烏鴉的圖像，因為藍山雀的圖像被注釋掉了。

烏鴉

這可以進一步擴展到更多的圖像，更多數量的分類器可以更好地推廣，但它是實現CNN遷移學習的最輕量級的方法和最快捷的方式。這當然取決于您想要實現模型的速度、準確程度和硬件，以及您有多少時間可用。

關于如何使用Mobilenet和Keras進行遷移學習就分享到這里了，希望以上內容可以對大家有一定的幫助，可以學到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到。