當前位置：首頁 > 人文社科 > 生活经验 >内容正文

生活经验

keras系列︱图像多分类训练与利用bottleneck features进行微调（三）

發(fā)布時間：2023/11/27 生活经验 62 豆豆

生活随笔收集整理的這篇文章主要介紹了 keras系列︱图像多分类训练与利用bottleneck features进行微调（三）小編覺得挺不錯的,現在分享給大家,幫大家做個參考.

引自：http://blog.csdn.net/sinat_26917383/article/details/72861152

中文文檔：http://keras-cn.readthedocs.io/en/latest/?
官方文檔：https://keras.io/?
文檔主要是以keras2.0。

訓練、訓練主要就”練“嘛，所以堆幾個案例就知道怎么做了。?
.

Keras系列：

1、keras系列︱Sequential與Model模型、keras基本結構功能（一）?
2、keras系列︱Application中五款已訓練模型、VGG16框架（Sequential式、Model式）解讀（二）?
3、keras系列︱圖像多分類訓練與利用bottleneck features進行微調（三）?
4、keras系列︱人臉表情分類與識別：opencv人臉檢測+Keras情緒分類（四）?
5、keras系列︱遷移學習：利用InceptionV3進行fine-tuning及預測、完整案例（五）

一、CIFAR10 小圖片分類示例（Sequential式）

要訓練模型，首先得知道數據長啥樣。先來看看經典的cifar10是如何進行訓練的。?
示例中CIFAR10采用的是Sequential式來編譯網絡結構。

from __future__ import print_function
import keras
from keras.datasets import cifar10
from keras.preprocessing.image import ImageDataGenerator
from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation, Flatten from keras.layers import Conv2D, MaxPooling2D batch_size = 32 num_classes = 10 epochs = 200 data_augmentation = True # 數據載入 (x_train, y_train), (x_test, y_test) = cifar10.load_data() # 多分類標簽生成 y_train = keras.utils.to_categorical(y_train, num_classes) y_test = keras.utils.to_categorical(y_test, num_classes) # 網絡結構配置 model = Sequential() model.add(Conv2D(32, (3, 3), padding='same', input_shape=x_train.shape[1:])) model.add(Activation('relu')) model.add(Conv2D(32, (3, 3))) model.add(Activation('relu')) model.add(MaxPooling2D(pool_size=(2, 2))) model.add(Dropout(0.25)) model.add(Conv2D(64, (3, 3), padding='same')) model.add(Activation('relu')) model.add(Conv2D(64, (3, 3))) model.add(Activation('relu')) model.add(MaxPooling2D(pool_size=(2, 2))) model.add(Dropout(0.25)) model.add(Flatten()) model.add(Dense(512)) model.add(Activation('relu')) model.add(Dropout(0.5)) model.add(Dense(num_classes)) model.add(Activation('softmax')) # 訓練參數設置 # initiate RMSprop optimizer opt = keras.optimizers.rmsprop(lr=0.0001, decay=1e-6) # Let's train the model using RMSprop model.compile(loss='categorical_crossentropy', optimizer=opt, metrics=['accuracy']) # 生成訓練數據 x_train = x_train.astype('float32') x_test = x_test.astype('float32') x_train /= 255 x_test /= 255 if not data_augmentation: print('Not using data augmentation.') model.fit(x_train, y_train, batch_size=batch_size, epochs=epochs, validation_data=(x_test, y_test), shuffle=True) else: print('Using real-time data augmentation.') # This will do preprocessing and realtime data augmentation: datagen = ImageDataGenerator( featurewise_center=False, # set input mean to 0 over the dataset samplewise_center=False, # set each sample mean to 0 featurewise_std_normalization=False, # divide inputs by std of the dataset samplewise_std_normalization=False, # divide each input by its std zca_whitening=False, # apply ZCA whitening rotation_range=0, # randomly rotate images in the range (degrees, 0 to 180) width_shift_range=0.1, # randomly shift images horizontally (fraction of total width) height_shift_range=0.1, # randomly shift images vertically (fraction of total height) horizontal_flip=True, # randomly flip images vertical_flip=False) # randomly flip images # Compute quantities required for feature-wise normalization # (std, mean, and principal components if ZCA whitening is applied). datagen.fit(x_train) # fit訓練 # Fit the model on the batches generated by datagen.flow(). model.fit_generator(datagen.flow(x_train, y_train, batch_size=batch_size), steps_per_epoch=x_train.shape[0] // batch_size, epochs=epochs, validation_data=(x_test, y_test))

就像caffe里面需要把數據編譯成LMDB一樣，keras也要數據服從其格式。來看看cifar10的數據格式：?
.

1、載入數據

(x_train, y_train), (x_test, y_test) = cifar10.load_data()

這句用來網絡上載入數據，跟之前application之中，pre-model一樣，有時間需要不斷的網上下載，所以等你下載完了，可以自己改一樣地址，讓其讀取本地文件。?
x_train格式例如（100,100,100,3），100張格式為100*100*3的圖像集；y_train格式為（100，）

2、多分類標簽指定keras格式

keras對多分類的標簽需要一種固定格式，所以需要按照以下的方式進行轉換，num_classes為分類數量，假設此時有5類：

y_train = keras.utils.to_categorical(y_train, num_classes)

最終輸出的格式應該是(100,5)?
.

3、圖片預處理生成器ImageDataGenerator

datagen = ImageDataGenerator() 
datagen.fit(x_train)

生成器初始化datagen ，然后datagen.fit,計算依賴于數據的變換所需要的統(tǒng)計信息?
.

4、最終訓練格式-batch

把數據按照每個batch進行劃分，這樣就可以送到模型進行訓練了。比caffe中要LMDB快很多。

datagen.flow(x_train, y_train, batch_size=batch_size)

接收numpy數組和標簽為參數,生成經過數據提升或標準化后的batch數據,并在一個無限循環(huán)中不斷的返回batch數據。

二、官方改編——多分類簡易網絡結構（Sequential式）

改編自官方文檔的《面向小數據集構建圖像分類模型》?
.

1、數據來源與下載

官方文檔是貓狗二分類，此時變成一個5分類，由于追求效率，從網上找來一個很小的數據集。來源于博客：?
Caffe學習系列(12)：訓練和測試自己的圖片?
數據描述：?
共有500張圖片，分為大巴車、恐龍、大象、鮮花和馬五個類，每個類100張。?
下載地址：http://pan.baidu.com/s/1nuqlTnN?
編號分別以3，4，5，6，7開頭，各為一類。我從其中每類選出20張作為測試，其余80張作為訓練。因此最終訓練圖片400張，測試圖片100張，共5類。如下圖：?

.

2、載入與模型網絡構建

很坑的是Keras中文文檔本節(jié)還沒有及時更新，還需要看原版的網站。譬如keras中文文檔是Convolution2D，但是現在是conv2D所以有點坑。

# 載入與模型網絡構建
from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D from keras.layers import Activation, Dropout, Flatten, Dense model = Sequential() model.add(Conv2D(32, (3, 3), input_shape=(150, 150,3))) # filter大小3*3，數量32個，原始圖像大小3,150,150 model.add(Activation('relu')) model.add(MaxPooling2D(pool_size=(2, 2))) model.add(Conv2D(32, (3, 3))) model.add(Activation('relu')) model.add(MaxPooling2D(pool_size=(2, 2))) model.add(Conv2D(64, (3, 3))) model.add(Activation('relu')) model.add(MaxPooling2D(pool_size=(2, 2))) model.add(Flatten()) # this converts our 3D feature maps to 1D feature vectors model.add(Dense(64)) model.add(Activation('relu')) model.add(Dropout(0.5)) model.add(Dense(5)) # matt,幾個分類就要有幾個dense model.add(Activation('softmax'))# matt,多分類

二分類與多分類在前面的結構上都沒有問題，就是需要改一下最后的全連接層，因為此時有5分類，所以需要Dense(5)，同時激活函數是softmax，如果是二分類就是dense(2)+sigmoid(激活函數)。

同時出現了以下的報錯：

報錯1：model.add(Convolution2D(32, 3, 3, input_shape=(3, 150, 150))) ValueError: Negative dimension size caused by subtracting 3 from 1 for 'conv2d_6/convolution' (op: 'Conv2D') with input shapes: [?,1,148,32], [3,3,32,32]. 報錯2：model.add(MaxPooling2D(pool_size=(2, 2))) ValueError: Negative dimension size caused by subtracting 2 from 1 for 'max_pooling2d_11/MaxPool' (op: 'MaxPool') with input shapes: [?,1,148,32].

原因：?
input_shape=(3,150, 150)是theano的寫法，而tensorflow需要寫出：(150,150,3)；?
需要修改Input_size。也就是”channels_last”和”channels_first”數據格式的問題。?
.

3、設置訓練參數

# 二分類
#model.compile(loss='binary_crossentropy',
#              optimizer='rmsprop',
#              metrics=['accuracy'])# 多分類 model.compile(loss='categorical_crossentropy', # matt，多分類，不是binary_crossentropy optimizer='rmsprop', metrics=['accuracy']) # 優(yōu)化器rmsprop：除學習率可調整外，建議保持優(yōu)化器的其他默認參數不變

二分類的參數與多分類的參數設置有些區(qū)別。

4、圖像預處理

然后我們開始準備數據，使用.flow_from_directory()來從我們的jpgs圖片中直接產生數據和標簽。?
其中值得留意的是：

ImageDataGenerator：用以生成一個batch的圖像數據，支持實時數據提升。訓練時該函數會無限生成數據，直到達到規(guī)定的epoch次數為止。
flow_from_directory(directory):?
以文件夾路徑為參數,生成經過數據提升/歸一化后的數據,在一個無限循環(huán)中無限產生batch數據


train_datagen = ImageDataGenerator(rescale=1./255,shear_range=0.2,zoom_range=0.2,horizontal_flip=True) test_datagen = ImageDataGenerator(rescale=1./255) train_generator = train_datagen.flow_from_directory( '/.../train', target_size=(150, 150), # all images will be resized to 150x150 batch_size=32, class_mode='categorical') # matt，多分類 validation_generator = test_datagen.flow_from_directory( '/.../validation', target_size=(150, 150), batch_size=32, class_mode='categorical') # matt，多分類 # class_mode='binary'

這一步驟是數據準備階段，會比較慢，同時多分類，需要設置class_mode為“categorical”。flow_from_directory是計算數據的一些屬性值，之后再訓練階段直接丟進去這些生成器。?
.

5、訓練階段

model.fit_generator(train_generator,samples_per_epoch=2000,nb_epoch=50,validation_data=validation_generator,nb_val_samples=800)
# samples_per_epoch，相當于每個epoch數據量峰值，每個epoch以經過模型的樣本數達到samples_per_epoch時，記一個epoch結束
model.save_weights('/.../first_try_animal5.h5')

最后的結果示范：

Epoch 48/50
62/62 [==============================] - 39s - loss: 0.0464 - acc: 0.9929 - val_loss: 0.3916 - val_acc: 0.9601 Epoch 49/50 62/62 [==============================] - 38s - loss: 0.0565 - acc: 0.9914 - val_loss: 0.6423 - val_acc: 0.9500 Epoch 50/50 62/62 [==============================] - 38s - loss: 0.0429 - acc: 0.9960 - val_loss: 0.4238 - val_acc: 0.9599 <keras.callbacks.History object at 0x7f049fc6f090>

6、出現的問題

問題一：loss為負數?
原因:如果出現loss為負，是因為之前多分類的標簽哪些設置不對，現在是5分類的，寫成了2分類之后導致了Loss為負數，形如下面

Epoch 43/50
62/62 [==============================] - 39s - loss: -16.0148 - acc: 0.1921 - val_loss: -15.9440 - val_acc: 0.1998
Epoch 44/50
61/62 [============================>.] - ETA: 0s - loss: -15.8525 - acc: 0.2049Segmentation fault (core dumped)

三、fine-tuning方式一：使用預訓練網絡的bottleneck特征

本節(jié)主要來源于：面向小數據集構建圖像分類模型?
當然，keras中文版里面漏洞一大堆… 沒有跟著版本更新，導致很多內容都是不對的，哎…

先看VGG-16的網絡結構如下：?

本節(jié)主要是通過已經訓練好的模型，把bottleneck特征抽取出來，然后滾到下一個“小”模型里面，也就是全連接層。?
實施步驟為：

1、把訓練好的模型的權重拿來,model；
2、運行，提取bottleneck feature（網絡在全連接之前的最后一層激活的feature?
map,卷積-全連接層之間），單獨拿出來，并保存
3、bottleneck層數據，之后 + dense全連接層，進行fine-tuning?
.

1、導入預訓練權重與網絡框架

這里keras中文文檔是錯誤的，要看現在的原作者的博客，

WEIGHTS_PATH = '/home/ubuntu/keras/animal5/vgg16_weights_tf_dim_ordering_tf_kernels.h5'
WEIGHTS_PATH_NO_TOP = '/home/ubuntu/keras/animal5/vgg16_weights_tf_dim_ordering_tf_kernels_notop.h5'from keras.applications.vgg16_matt import VGG16
model = VGG16(include_top=False, weights='imagenet')

其中WEIGHTS_PATH_NO_TOP 就是去掉了全連接層，可以用他直接提取bottleneck的特征，感謝原作者。?
.

2、提取圖片的bottleneck特征

需要步驟：

載入圖片；
灌入pre-model的權重；
得到bottleneck feature

#如何提取bottleneck feature
from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D from keras.layers import Activation, Dropout, Flatten, Dense # （1）載入圖片 # 圖像生成器初始化 from keras.preprocessing.image import ImageDataGenerator import numpy as np datagen = ImageDataGenerator(rescale=1./255) # 訓練集圖像生成器 generator = datagen.flow_from_directory( '/home/ubuntu/keras/animal5/train', target_size=(150, 150), batch_size=32, class_mode=None, shuffle=False) #　驗證集圖像生成器 generator = datagen.flow_from_directory( '/home/ubuntu/keras/animal5/validation', target_size=(150, 150), batch_size=32, class_mode=None, shuffle=False) #（2）灌入pre-model的權重 model.load_weights('/.../vgg16_weights_tf_dim_ordering_tf_kernels_notop.h5') #（3）得到bottleneck feature bottleneck_features_train = model.predict_generator(generator, 500) # 核心，steps是生成器要返回數據的輪數，每個epoch含有500張圖片，與model.fit(samples_per_epoch)相對 np.save(open('bottleneck_features_train.npy', 'w'), bottleneck_features_train) bottleneck_features_validation = model.predict_generator(generator, 100) # 與model.fit(nb_val_samples)相對，一個epoch有800張圖片，驗證集 np.save(open('bottleneck_features_validation.npy', 'w'), bottleneck_features_validation)

注意

class_mode，此時為預測場景，制作數據階段，不用設置標簽，因為此時是按照順序產生；而在train_generator數據訓練之前的數據準備，則需要設置標簽
shuffle，此時為預測場景，制作數據集，不用打亂；但是在model.fit過程中需要打亂，表示是否在訓練過程中每個epoch前隨機打亂輸入樣本的順序。

3、 fine-tuning - “小”網絡

主要步驟：

（1）導入bottleneck_features數據；
（2）設置標簽，并規(guī)范成Keras默認格式；
（3）寫“小網絡”的網絡結構
（4）設置參數并訓練

# （1）導入bottleneck_features數據
train_data = np.load(open('bottleneck_features_train.npy'))
# the features were saved in order, so recreating the labels is easy
train_labels = np.array([0] * 100 + [1] * 100 + [2] * 100 + [3] * 100 + [4] * 96) # matt,打標簽 validation_data = np.load(open('bottleneck_features_validation.npy')) validation_labels = np.array([0] * 20 + [1] * 20 + [2] * 20 + [3] * 20 + [4] * 16) # matt,打標簽 # （2）設置標簽，并規(guī)范成Keras默認格式 train_labels = keras.utils.to_categorical(train_labels, 5) validation_labels = keras.utils.to_categorical(validation_labels, 5) # （3）寫“小網絡”的網絡結構 model = Sequential() #train_data.shape[1:] model.add(Flatten(input_shape=(4,4,512)))# 4*4*512 model.add(Dense(256, activation='relu')) model.add(Dropout(0.5)) #model.add(Dense(1, activation='sigmoid')) # 二分類 model.add(Dense(5, activation='softmax')) # matt,多分類 #model.add(Dense(1)) #model.add(Dense(5)) #model.add(Activation('softmax')) # （4）設置參數并訓練 model.compile(loss='categorical_crossentropy', # matt，多分類，不是binary_crossentropy optimizer='rmsprop', metrics=['accuracy']) model.fit(train_data, train_labels, nb_epoch=50, batch_size=16, validation_data=(validation_data, validation_labels)) model.save_weights('bottleneck_fc_model.h5')

因為特征的size很小，模型在CPU上跑的也會很快，大概1s一個epoch。

#正確的結果：
Epoch 48/50
496/496 [==============================] - 0s - loss: 0.3071 - acc: 0.7762 - val_loss: 4.9337 - val_acc: 0.3229 Epoch 49/50 496/496 [==============================] - 0s - loss: 0.2881 - acc: 0.8004 - val_loss: 4.3143 - val_acc: 0.3750 Epoch 50/50 496/496 [==============================] - 0s - loss: 0.3119 - acc: 0.7984 - val_loss: 4.4788 - val_acc: 0.5625 <keras.callbacks.History object at 0x7f25d4456e10>

4、遇到的問題

（1）Flatten層——最難處理的層?
其中在配置網絡中，我發(fā)現Flatten是最容易出現問題的Layer了。非常多的問題，是因為輸給這個層的格式不對。譬如報錯：

語句:model.add(Flatten(input_shape=train_data.shape[1:]))
ValueError: Input 0 is incompatible with layer flatten_5: expected min_ndim=3, found ndim=2

于是要改成(4,4,512)，這樣寫（512,4,4）也不對！

（2）標簽格式問題?
model.fit之后報錯：

ValueError: Error when checking target: expected dense_2 to have shape (None, 5) but got array with shape (500, 1)

標簽格式沒有設置，特別是多分類會遇見這樣的問題。需要keras.utils.to_categorical()

train_labels = keras.utils.to_categorical(train_labels, 5)

四、fine-tuning方式二：要調整權重

Keras中文文檔+原作者文檔這個部分都沒有寫對！

先來看看整個結構。?

fine-tune分三個步驟：?
- 搭建vgg-16并載入權重，將之前定義的全連接網絡加在模型的頂部，并載入權重?
- 凍結vgg16網絡的一部分參數?
- 模型訓練

注意：

1、fine-tune,所有的層都應該以訓練好的權重為初始值，例如，你不能將隨機初始的全連接放在預訓練的卷積層之上，這是因為由隨機權重產生的大梯度將會破壞卷積層預訓練的權重。
2、選擇只fine-tune最后的卷積塊，而不是整個網絡，這是為了防止過擬合。整個網絡具有巨大的熵容量，因此具有很高的過擬合傾向。由底層卷積模塊學習到的特征更加一般，更加不具有抽象性，因此我們要保持前兩個卷積塊（學習一般特征）不動，只fine-tune后面的卷積塊（學習特別的特征）
3、fine-tune應該在很低的學習率下進行，通常使用SGD優(yōu)化而不是其他自適應學習率的優(yōu)化算法，如RMSProp。這是為了保證更新的幅度保持在較低的程度，以免毀壞預訓練的特征。?
.

1、步驟一：搭建vgg-16并載入權重

1.1 Keras文檔結果

先看看Keras中文文檔是這樣的：

from keras import applications
from keras.preprocessing.image import ImageDataGenerator
from keras import optimizers from keras.models import Sequential from keras.layers import Dropout, Flatten, Dense # 網絡結構 top_model = Sequential() #top_model.add(Flatten(input_shape=model.output_shape[1:])) top_model.add(Flatten(input_shape=(4,4,512))) top_model.add(Dense(256, activation='relu')) top_model.add(Dropout(0.5)) #top_model.add(Dense(1, activation='sigmoid')) top_model.add(Dense(5, activation='softmax')) # 加載權重 top_model.load_weights(top_model_weights_path) model.add(top_model)

中文文檔是用Sequential式寫的，但是沒有找到對的權重：top_model_weights_path，如果不正確的權重文件會報錯：

ValueError: You are trying to load a weight file containing 16 layers into a model with 2 layers.

同時也沒有交代model是什么。

1.2 原作者新改

當然看原作者代碼知道了這里的model就是VGG16的。所以原作者改成：

# 載入Model權重 + 網絡
from keras.applications.vgg16_matt import VGG16
model = VGG16(weights='imagenet', include_top=False) # “小網絡”結構 top_model = Sequential() top_model.add(Flatten(input_shape=model.output_shape[1:])) # top_model.add(Flatten(input_shape=(4,4,512))) top_model.add(Dense(256, activation='relu')) top_model.add(Dropout(0.5)) top_model.add(Dense(5, activation='softmax')) # 加權重 top_model.load_weights(top_model_weights_path) # 兩個網絡整合 model.add(top_model)

這里又出現一個問題就是，原作者是用application中的VGG16來做的，那么VGG16原來的是Model式的，現在model.add的是Sequential,兼容不起來，報錯：

# AttributeError: 'Model' object has no attribute 'add'

于是參考了VGG16原來網絡中的結構自己寫了：

from keras import applications
from keras.preprocessing.image import ImageDataGenerator
from keras import optimizers from keras.models import Sequential from keras.layers import Dropout, Flatten, Dense # 載入Model權重 + 網絡 from keras.applications.vgg16_matt import VGG16 model = VGG16(weights='imagenet', include_top=False) # 新加層 x = model.output # 最有問題的層:flatten層 x = Flatten(name='flatten')(x) # 嘗試一：x = Flatten()(x) # 嘗試二：x = GlobalAveragePooling2D()(x) # 嘗試三：from keras.layers import Reshape #x = Reshape((4,4, 512))(x) # TypeError: long() argument must be a string or a number, not 'NoneType' x = Dense(256, activation='relu', name='fc1')(x) x = Dropout(0.5)(x) predictions = Dense(5, activation='softmax')(x) from keras.models import Model vgg_model = Model(input=model.input, output=predictions)

其中又是遇到了Flatten()層的問題，而且做了很多嘗試，這一個層的意思是把VGG16網絡結構+權重的model數據輸出格式輸入給Flatten()進行降維，但是！?
model.output輸出的格式是：（?，?，?，512）?
那么肯定會報錯：

ValueError: The shape of the input to "Flatten" is not fully defined (got (None, None, 512). Make sure to pass a complete "input_shape" or "batch_input_shape" argument to the first layer in your model.

（1）其中原作者VGG16代碼中是這么處理Flatten層的：

x = Flatten(name='flatten')(x)

同樣會報錯。

（2）借鑒《Keras跨領域圖像分類遷移學習與微調》的一部分：

x = Reshape((4,4, 512))(x)

也沒成功，應該是自己不太會如果寫這個層。

（3）嘗試直接加了個GlobalAveragePooling2D層之后：

x = GlobalAveragePooling2D()(x)
x = Dense(256, activation='relu', name='fc1')(x) x = Dropout(0.5)(x) predictions = Dense(5, activation='softmax')(x)

可以運行，但是，fit的結果是：

Epoch 1/50
31/31 [==============================] - 10s - loss: 0.5575 - acc: 0.7730 - val_loss: 0.5191 - val_acc: 0.8000 Epoch 2/50 31/31 [==============================] - 9s - loss: 0.5548 - acc: 0.7760 - val_loss: 0.5256 - val_acc: 0.8000 ... Epoch 49/50 31/31 [==============================] - 9s - loss: 0.5602 - acc: 0.7730 - val_loss: 0.5285 - val_acc: 0.8000 Epoch 50/50 31/31 [==============================] - 9s - loss: 0.5583 - acc: 0.7780 - val_loss: 0.5220 - val_acc: 0.8000 <keras.callbacks.History object at 0x7fb90410fb10>

內容結果總是一樣的，所以還是不對，這塊還沒有解決。。?
.

2、凍結vgg16網絡的一部分參數

然后將最后一個卷積塊前的卷積層參數凍結：

for layer in vgg_model.layers[:25]:layer.trainable = False# compile the model with a SGD/momentum optimizer vgg_model.compile(loss='binary_crossentropy', optimizer=optimizers.SGD(lr=1e-4, momentum=0.9), metrics=['accuracy'])

3、模型訓練

然后以很低的學習率進行訓練：

# 準備數據
train_data_dir = '/.../train'
validation_data_dir = '/.../validation'
img_width, img_height = 150, 150 nb_train_samples = 500 nb_validation_samples = 100 epochs = 50 batch_size = 16 # 圖片預處理生成器 train_datagen = ImageDataGenerator( rescale=1./255, shear_range=0.2, zoom_range=0.2, horizontal_flip=True) test_datagen = ImageDataGenerator(rescale=1./255) # 圖片generator train_generator = train_datagen.flow_from_directory( train_data_dir, target_size=(img_height, img_width), batch_size=32, class_mode='categorical') validation_generator = test_datagen.flow_from_directory( validation_data_dir, target_size=(img_height, img_width), batch_size=32, class_mode='categorical') # 訓練 vgg_model.fit_generator( train_generator, steps_per_epoch=nb_train_samples // batch_size, epochs=epochs, validation_data=validation_generator, validation_steps=nb_validation_samples // batch_size)

如果在之前的網絡結構可以正常載入的話，后面都是沒有問題的，可以直接運行。

轉載于:https://www.cnblogs.com/Anita9002/p/8136578.html

總結

以上是生活随笔為你收集整理的keras系列︱图像多分类训练与利用bottleneck features进行微调（三）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。