VGG网络进行图像分类Python 代码

VGG网络是一种经典的深度卷积神经网络，由牛津大学的研究团队开发，主要用于图像识别和计算机视觉任务。以下是一个简单的使用Keras库在Python中实现VGG16预训练模型进行图像分类的例子：

from keras.applications.vgg16 import VGG16, preprocess_input
from keras.preprocessing.image import ImageDataGenerator
from keras.models import Model
from keras.layers import Dense, GlobalAveragePooling2D
import numpy as np

# 加载预训练的VGG16模型，不包括顶部的全连接层
vgg = VGG16(weights='imagenet', include_top=False, input_shape=(224, 224, 3))

# 冻结所有层以便微调
for layer in vgg.layers:
    layer.trainable = False

# 添加全局平均池化层和新全连接层
x = vgg.output
x = GlobalAveragePooling2D()(x)
x = Dense(1024, activation='relu')(x)  # 这里假设我们要分类1000种物体
predictions = Dense(num_classes, activation='softmax')(x)

# 构建新的模型，包含原VGG16的特征提取部分和我们添加的新部分
model = Model(inputs=vgg.input, outputs=predictions)

# 数据增强，例如随机翻转、裁剪等
datagen = ImageDataGenerator(preprocessing_function=preprocess_input, rotation_range=20, width_shift_range=0.15,
                             height_shift_range=0.15)

# 编译模型
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

# 训练模型
train_generator = datagen.flow_from_directory(train_dir, target_size=(224, 224), batch_size=batch_size, class_mode='categorical')
model.fit_generator(train_generator, steps_per_epoch=len(train_generator), epochs=num_epochs)

# 保存模型
model.save('my_vgg_model.h5')