def model_load(IMG_SHAPE=(224, 224, 3), class_num=12): # 加载预训练的mobilenet模型 base_model = tf.keras.applications.MobileNetV2(input_shape=IMG_SHAPE, include_top=False, weights='imagenet') # 将模型的主干参数进行冻结 base_model.trainable = False model = tf.keras.models.Sequential([ # 进行归一化的处理 tf.keras.layers.experimental.preprocessing.Rescaling(1. / 127.5, offset=-1, input_shape=IMG_SHAPE), # 设置主干模型 base_model, # 对主干模型的输出进行全局平均池化 tf.keras.layers.GlobalAveragePooling2D(), # 通过全连接层映射到最后的分类数目上 tf.keras.layers.Dense(class_num, activation='softmax') ]) model.summary() # 模型训练的优化器为adam优化器，模型的损失函数为交叉熵损失函数 model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy']) return model

这段代码定义了一个函数`model_load`，用于加载预训练的MobileNetV2模型，并根据给定的图像形状和类别数创建一个新的模型。

首先，代码使用`tf.keras.applications.MobileNetV2`加载了一个预训练的MobileNetV2模型，其中`input_shape`参数指定了输入图像的形状，`include_top=False`表示不包含顶部的全连接层，`weights='imagenet'`表示使用在ImageNet数据集上预训练的权重。

接下来，通过设置`base_model.trainable = False`将模型的主干参数冻结，即不参与训练过程。

然后，使用`tf.keras.models.Sequential`创建一个序列模型，并按顺序添加各个层：

1. `tf.keras.layers.experimental.preprocessing.Rescaling`层用于对输入图像进行归一化处理。
2. 将预训练的MobileNetV2模型作为主干模型添加到序列模型中。
3. `tf.keras.layers.GlobalAveragePooling2D`层用于对主干模型的输出进行全局平均池化操作。
4. `tf.keras.layers.Dense`层通过全连接层将特征映射到最后的类别数目上，并使用softmax激活函数进行分类。

随后，通过调用`model.summary()`方法来打印模型的摘要信息。

最后，使用`model.compile()`方法配置模型的优化器为Adam优化器，损失函数为交叉熵损失函数，评估指标为准确率。

函数最后返回创建的模型。