迁移学习实践 猫分类 python

好的，针对您的问题，以下是一个简单的迁移学习实践，使用预训练的 ResNet50 模型进行猫分类。我们使用 Python 编写代码。

首先，我们需要准备数据集。可以使用 Kaggle 上的猫狗分类数据集，将其中的猫的图片分出来作为我们的训练数据集。接着，我们将数据集按照一定比例分为训练集和验证集。

然后，我们加载预训练的 ResNet50 模型，并添加一个新的全连接层用于分类。在这个新的全连接层之前，我们添加一个平均池化层来将 ResNet50 输出的特征图转换为一维向量。

接下来，我们冻结 ResNet50 的所有层，只训练新添加的全连接层。在训练过程中，我们可以使用数据增强技术来增加数据的多样性。最后，我们评估模型在验证集上的表现，并保存模型。

以下是代码示例：

from keras.applications.resnet50 import ResNet50
from keras.layers import Dense, GlobalAveragePooling2D
from keras.models import Model
from keras.preprocessing.image import ImageDataGenerator

# 准备数据集
train_data_dir = 'path/to/train/dataset'
val_data_dir = 'path/to/validation/dataset'
img_width, img_height = 224, 224
batch_size = 32

train_datagen = ImageDataGenerator(
    rescale=1./255,
    shear_range=0.2,
    zoom_range=0.2,
    horizontal_flip=True)

val_datagen = ImageDataGenerator(rescale=1./255)

train_generator = train_datagen.flow_from_directory(
    train_data_dir,
    target_size=(img_height, img_width),
    batch_size=batch_size,
    class_mode='categorical')

val_generator = val_datagen.flow_from_directory(
    val_data_dir,
    target_size=(img_height, img_width),
    batch_size=batch_size,
    class_mode='categorical')

# 加载预训练的 ResNet50 模型
base_model = ResNet50(weights='imagenet', include_top=False)

# 添加新的全连接层
x = base_model.output
x = GlobalAveragePooling2D()(x)
x = Dense(1024, activation='relu')(x)
predictions = Dense(2, activation='softmax')(x)

model = Model(inputs=base_model.input, outputs=predictions)

# 冻结 ResNet50 的所有层，只训练新添加的全连接层
for layer in base_model.layers:
    layer.trainable = False

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

# 训练模型
model.fit_generator(
    train_generator,
    steps_per_epoch=train_generator.samples // batch_size,
    epochs=10,
    validation_data=val_generator,
    validation_steps=val_generator.samples // batch_size)

# 评估模型
scores = model.evaluate_generator(val_generator, val_generator.samples // batch_size)
print("Accuracy: %.2f%%" % (scores[1]*100))

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

希望这个例子对您有所帮助！