了解了迁移学习的功能之后，下面就利用VGG16这个耳熟能详的卷积神经网络实现对CIFAR-10的图像分类。VGG16是针对ImageNet数据集中1000类图像的分类模型，当时训练成本和训练时间都非常之高，现在，Keras框架中提供已经训练好的VGG16模型，这里可以直接采用“拿来主义”，利用VGG16完成对类似的数据集CIFAR-10的分类任务。
首先通过VGG16获取一个卷积模块，代码如下：
from keras. applications.vgg16 import VGG16
model_vgg=VGG16（include_top=False, weights=＇imagenet'，input_shape=（ishape, ishape，3））
#include_top=False表示将vgg16顶层去掉，只保留网络结构
for layers in model_vgg. layers：
layers. trainable=False
#layers. trainable=False将不需要重新训练的权重“冷冻”起来
这里将卷积模块的每一层都给锁住，原因在于不希望仅仅识别几何特征的开始几个层被再次训练。
接下来利用Flatten（）函数展开VGG最后的卷积层，并和全连接网络搭建的分类器组成一个完整的网络。
model=Flatten（）（model_vgg.output）
model=Dense（1024，activation=＇relu'，name=＇fc1＇）（model）
model=Dense（1024，activation=＇relu'，name=＇fc2＇）（model）
model=Dropout（0.5）（model）
model=Dense（10，activation=＇softmax'，name=＇prediction'）（model）
model_vgg_cifar10_pretrain=Model（inputs=model_vgg.input, outputs=model, name=＇vgg16_pretrain'）
model_vgg_cifar10_pretrain. summary（）
sgd=SGD（lr=0.05，decay=1e-5）
model_vgg_cifar10_pretrain. compile（optimizer=sgd, loss=＇categorical_cros-sentropy'，metrics=[＇accuracy']）
由于篇幅原因，这里只列出网络结构的最后部分，可以看到有大量参数不再参与训练，如图5-25所示。
图5-25 网络参数图
当然，同MNIST数据一样，还少不了数据载入和预处理部分。
（X_train, y_train），（X_test, y_test）=cifar10.load_data（）
X_train=[cv2.resize（i，（ishape, ishape））for i in X_train]
X_test=[cv2.resize（i，（ishape, ishape））for i in X_test]
X_train=np.concatenate（[arr[np.newaxis]for arr in X_train]）.astype（＇float32＇）
X_test=np.concatenate（[arr[np.newaxis]for arr in X_test]）.astype（＇float32＇）
#预处理
print（X_train[0]. shape）
print（y_train[0]）
X_train=X_train/255
X_test=X_test/255
np. where（X_train[0]！=0）
def train_y（y）：(www.xing528.com)
y_one=np.zeros（10）
y_one[y]=1
return y_one
y_train_one=np.array（[train_y（y_train[i]）for i in range（len（y_train））]）
y_test_one=np.array（[train_y（y_test[i]）for i in range（len（y_test））]）
最后是模型训练。
model_vgg_cifar10_pretrain. fit（X_train, y_train_one, validation_data=（X_test, y_test_one），epochs=50，batch_size=128）
model_vgg_cifar10_pretrain. save（＇cifar10.h5＇）
训练完毕，读者可以自行准备一张彩色图像，利用以下代码进行测试。
model=load_model（＇cifar10.h5＇）
class MainPredictImg（object）：
def__init__（self）：
pass
def pre（self, filename）：
pred_image=processimage.imread（filename）
pred_iamge=np.array（pred_iamge）
pred_iamge=scipy.misc.imresize（pred_iamge, size=（64，64））
pred_iamge=pred_iamge.reshape（-1，64，64，3）
prediction=model.predict（pred_iamge）#predict
labels=[＇airplane'，＇automobile'，＇bird'，＇cat'，＇deer'，＇dog'，＇frog'，＇horse'，＇
ship'，＇truck']
Final_prediction=[result.argmax（）for result in prediction][0]
Final_prediction=labels[Final_prediction]
a=0
for i in prediction[0]：
print labels[a]
print'Percent：{：. 30%}＇.format（i）
a=a+1
return Final_prediction
Predict=MainPredictImg（）
res=Predict.pre（＇airplant.jpg'）
print'your picture is：——＞＇，res
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
