vgg16迁移学习代码

以下是使用VGG16进行迁移学习的示例代码：

from keras.applications.vgg16 import VGG16
from keras.preprocessing.image import ImageDataGenerator
from keras.models import Model
from keras.layers import Dense, Flatten

# 加载预训练的VGG16模型
vgg16 = VGG16(weights='imagenet', include_top=False, input_shape=(224, 224, 3))

# 冻结VGG16中的所有层
for layer in vgg16.layers:
    layer.trainable = False

# 在VGG16的顶部添加自定义的分类层
x = vgg16.output
x = Flatten()(x)
x = Dense(256, activation='relu')(x)
predictions = Dense(2, activation='softmax')(x)

# 构建新的模型
model = Model(inputs=vgg16.input, outputs=predictions)

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

# 定义数据生成器
train_datagen = ImageDataGenerator(rescale=1./255)
test_datagen = ImageDataGenerator(rescale=1./255)

train_generator = train_datagen.flow_from_directory(
    'train',
    target_size=(224,224),
    batch_size=16,
    class_mode='categorical')

test_generator = test_datagen.flow_from_directory(
    'test',
    target_size=(224,224),
    batch_size=16,
    class_mode='categorical')

# 训练模型
model.fit_generator(
    train_generator,
    steps_per_epoch=50,
    epochs=10,
    validation_data=test_generator,
    validation_steps=10)

这个示例代码假定你有一个包含训练图像的`train`文件夹和一个包含测试图像的`test`文件夹。你需要将VGG16的顶部替换为自定义的分类层，并将所有的VGG16层冻结，这样就可以在新的数据集上进行迁移学习。最后，使用ImageDataGenerator来读取和预处理图像，并使用fit_generator方法来训练模型。