使用迁移学习完成水果图像识别

以下是一个使用迁移学习完成水果图像识别的示例，使用的是 TensorFlow 和预训练模型 InceptionV3：

import tensorflow as tf
from tensorflow.keras.preprocessing.image import ImageDataGenerator

# 数据路径
train_dir = "path/to/training/dataset"
test_dir = "path/to/testing/dataset"

# 图像大小
img_size = (224, 224)

# 定义数据增强器
train_datagen = ImageDataGenerator(rescale=1./255,
                                   rotation_range=40,
                                   width_shift_range=0.2,
                                   height_shift_range=0.2,
                                   shear_range=0.2,
                                   zoom_range=0.2,
                                   horizontal_flip=True,
                                   fill_mode='nearest')

test_datagen = ImageDataGenerator(rescale=1./255)

# 加载数据集
train_generator = train_datagen.flow_from_directory(train_dir,
                                                    target_size=img_size,
                                                    batch_size=32,
                                                    class_mode='categorical')

test_generator = test_datagen.flow_from_directory(test_dir,
                                                  target_size=img_size,
                                                  batch_size=32,
                                                  class_mode='categorical')

# 加载预训练模型
base_model = tf.keras.applications.InceptionV3(weights='imagenet',
                                               include_top=False,
                                               input_shape=(224, 224, 3))

# 冻结预训练模型的权重
base_model.trainable = False

# 定义模型
model = tf.keras.Sequential([
    base_model,
    tf.keras.layers.GlobalAveragePooling2D(),
    tf.keras.layers.Dense(256, activation='relu'),
    tf.keras.layers.Dropout(0.5),
    tf.keras.layers.Dense(10, activation='softmax')
])

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

# 训练模型
history = model.fit(train_generator,
                    epochs=10,
                    validation_data=test_generator)

# 评估模型
test_loss, test_acc = model.evaluate(test_generator)
print('Test accuracy:', test_acc)

# 保存模型
model.save('fruit_classifier.h5')

这个例子使用的是一个水果分类数据集，其中包含了 10 种不同的水果图像。我们定义了一个数据增强器，对训练图像进行随机扰动增强。然后，我们使用 ImageDataGenerator 函数加载数据集，并将其分为训练集和测试集。接着，我们加载了 InceptionV3 预训练模型，并添加了两个全连接层进行分类。我们使用了 GlobalAveragePooling2D 层对特征图进行平均池化，然后使用一个具有 256 个神经元的全连接层，最后添加了一个 Dropout 层来防止过拟合。最后，我们使用 evaluate() 函数评估模型在测试集上的表现，并保存了训练好的模型。