打开全连接层，去除自定义

在给定的代码中，ResNet50 模型的顶部被移除，并添加了一个新的全连接层。如果你希望完全使用预训练的 ResNet50 模型而不进行任何修改，可以按照以下步骤操作：

1. **加载预训练的 ResNet50 模型**：直接使用 `include_top=True` 参数来加载带有预训练权重的完整 ResNet50 模型。
2. **编译模型**：设置优化器、损失函数和评估指标。
3. **训练和评估模型**：与之前的流程相同，但不再需要自定义全连接层。

以下是修改后的代码片段：

# 导入必要的库
import os
import json
import numpy as np
import pandas as pd
from PIL import Image
import tensorflow as tf
from sklearn.model_selection import train_test_split
from tensorflow.keras.applications.resnet50 import ResNet50
from tensorflow.keras.models import Model
from tensorflow.keras.preprocessing.image import ImageDataGenerator
from tensorflow.keras.optimizers import Adam
from sklearn.metrics import f1_score, accuracy_score

# 定义路径常量
TRAIN_DATA_DIR = "C:\\Users\\24067\\Desktop\\peach_split\\train"
VAL_DATA_DIR = "C:\\Users\\24067\\Desktop\\peach_split\\val"
TEST_DATA_DIR = "C:\\Users\\24067\\Desktop\\peach_split\\test"
TRAIN_LABEL_PATH = "C:\\Users\\24067\\Desktop\\train_label.json"
VAL_LABEL_PATH = "C:\\Users\\24067\\Desktop\\val_label.json"
OUTPUT_PATH = "C:\\Users\\24067\\Desktop\\data\\submission.csv"
MODEL_SAVE_PATH = "C:\\Users\\24067\\Desktop\\data\\model.h5"

# 加载数据集
def load_data(data_dir, label_path):
    with open(label_path, 'r') as f:
        labels_list = json.load(f)
    labels = {item['文件名']: item['标签'] for item in labels_list if '文件名' in item and '标签' in item}
    images = []
    targets = []
    for file_name, label in labels.items():
        img_path = os.path.join(data_dir, file_name)
        if not os.path.exists(img_path):
            continue
        img = Image.open(img_path).resize((224, 224))
        img_array = np.array(img) / 255.0
        images.append(img_array)
        targets.append(label)
    if len(images) == 0:
        raise ValueError("No valid images found.")
    return np.array(images), np.array(targets)

# 加载训练集和验证集
X_train, y_train = load_data(TRAIN_DATA_DIR, TRAIN_LABEL_PATH)
X_val, y_val = load_data(VAL_DATA_DIR, VAL_LABEL_PATH)

# 标签映射
label_map = {'特级': 3, '一级': 2, '二级': 1, '三级': 0}
y_train = np.array([label_map[label] for label in y_train])
y_val = np.array([label_map[label] for label in y_val])

# 创建模型
def create_resnet_model():
    model = ResNet50(weights='imagenet', include_top=True)
    return model

# 实例化模型
model = create_resnet_model()

# 编译模型
model.compile(optimizer=Adam(learning_rate=0.001), loss='sparse_categorical_crossentropy', metrics=['accuracy'])

# 图像增强
datagen = ImageDataGenerator(
    rotation_range=20,
    width_shift_range=0.2,
    height_shift_range=0.2,
    shear_range=0.15,
    zoom_range=0.15,
    horizontal_flip=True,
    vertical_flip=True,
    fill_mode='nearest'
)

# 训练模型
history = model.fit(datagen.flow(X_train, y_train, batch_size=32), epochs=1, validation_data=(X_val, y_val))

# 保存模型
model.save(MODEL_SAVE_PATH)

# 评估模型
def evaluate_model(model, X, y):
    predictions = model.predict(X)
    predicted_labels = np.argmax(predictions, axis=1)
    accuracy = accuracy_score(y, predicted_labels)
    f1 = f1_score(y, predicted_labels, average='weighted')
    print(f'Accuracy: {accuracy:.4f}')
    print(f'F1 Score: {f1:.4f}')
    return accuracy, f1

evaluate_model(model, X_val, y_val)

# 预测测试集并保存结果
def predict_and_save(test_data_dir, output_path):
    test_images = []
    test_file_names = []
    for file_name in os.listdir(test_data_dir):
        img_path = os.path.join(test_data_dir, file_name)
        if not os.path.exists(img_path) or not file_name.lower().endswith(('.png', '.jpg', '.jpeg')):
            continue
        img = Image.open(img_path).resize((224, 224))
        img_array = np.array(img) / 255.0
        test_images.append(img_array)
        test_file_names.append(file_name)
    test_images = np.array(test_images)
    predictions = model.predict(test_images)
    predicted_labels = np.argmax(predictions, axis=1)
    label_map_inv = {v: k for k, v in label_map.items()}
    predicted_labels = [label_map_inv[label] for label in predicted_labels]
    submission_df = pd.DataFrame({'文件名': test_file_names, '标签': predicted_labels})
    submission_df.to_csv(output_path, index=False)

# 进行预测并保存结果
predict_and_save(TEST_DATA_DIR, OUTPUT_PATH)

### 关键变化点
1. **模型创建**：使用 `ResNet50(weights='imagenet', include_top=True)` 直接加载完整的预训练模型。
2. **输入图像大小**：将图像大小调整为 `(224, 224)`，以匹配预训练模型的输入要求。
3. **其他部分**：保持与其他部分一致，包括数据加载、图像增强、训练、评估和预测。

这样，你就使用了完整的预训练 ResNet50 模型，而没有自定义全连接层。