如何使用 Tensorflow 和预训练模型从预训练的卷积网络创建基础模型?
借助 ‘MobileNetV2’ 方法，可以使用 Tensorflow 和预训练模型从预训练的卷积网络创建基础模型，该方法存在于 ‘tf.keras.applications’ 模块中。它将权重和图像的输入形状作为参数。
阅读更多: 什么是 TensorFlow，以及 Keras 如何与 TensorFlow 配合创建神经网络?
包含至少一个层的神经网络称为卷积层。我们可以使用卷积神经网络构建学习模型。
我们将了解如何借助预训练网络的迁移学习对猫和狗的图像进行分类。图像分类迁移学习背后的直觉是，如果在大型通用数据集上训练模型，则该模型可有效地用作视觉世界的通用模型。它会学习特征图，这意味着用户不必从头开始在大型数据集上训练大型模型。
阅读更多: 如何预先训练定制模型?
我们使用 Google Colaboratory 运行以下代码。Google Colab 或 Colaboratory 有助于在浏览器上运行 Python 代码，并且不需要任何配置，并且可以免费访问 GPU(图形处理单元)。Colaboratory 是在 Jupyter Notebook 之上构建的。
示例
print("Creating base model from pre-trained MobileNet V2")
IMG_SHAPE = IMG_SIZE + (3,)
base_model = tf.keras.applications.MobileNetV2(input_shape=IMG_SHAPE, include_top=False,
weights='imagenet')
代码来源 −https://www.tensorflow.org/tutorials/images/transfer_learning
输出
Creating base model from pre-trained MobileNet V2 Downloading data from https://storage.googleapis.com/tensorflow/keras-applications/mobilenet_v2/mobilenet_v2_weights_tf_dim_ordering_tf_kernels_1.0_160_no_top.h5 9412608/9406464 [==============================] - 0s 0us/step
解释
使用基础模型 MobileNet V2。
它在 ImageNet 数据集上进行了预训练，ImageNet 数据集是一个包含 1.4M 图像和 1000 个类别的大型数据集。
ImageNet 是一个研究训练数据集，其中包含许多类别，如菠萝蜜和注射器。
此知识库有助于从猫和狗数据集中对猫和狗进行分类。
需要选择用于特征提取的 MobileNet V2 层。
最后的分类层不是很有用。
但我们依赖于展平操作之前的最后一层。
它被称为"瓶颈层"。
与顶层相比，瓶颈层特征保留了更多的通用性层。
MobileNet V2 模型已实例化。它预加载了在 ImageNet 上训练的权重。通过指定 include_top=False，将加载网络，其中不包括顶部的分类层。
这对于特征提取来说是理想的。
