Keras使用VGG16訓練圖片分類？

最近做實驗，在研究圖片分類，發現深度學習的準確率最高，於是接觸到了Keras框架，在網上的例子的基礎上改代碼，想通過VGG16訓練圖片10組圖片分類。

不過始終沒有成功，我想問問，有人實現過嗎？

代碼：

model = Sequential()
model.add(ZeroPadding2D((1, 1), input_shape=(3, img_width, img_height)))
model.add(Convolution2D(64, 3, 3, activation="relu", name="conv1_1"))
model.add(ZeroPadding2D((1, 1)))
model.add(Convolution2D(64, 3, 3, activation="relu", name="conv1_2"))
model.add(MaxPooling2D((2, 2), strides=(2, 2)))

model.add(ZeroPadding2D((1, 1)))
model.add(Convolution2D(128, 3, 3, activation="relu", name="conv2_1"))
model.add(ZeroPadding2D((1, 1)))
model.add(Convolution2D(128, 3, 3, activation="relu", name="conv2_2"))
model.add(MaxPooling2D((2, 2), strides=(2, 2)))

model.add(ZeroPadding2D((1, 1)))
model.add(Convolution2D(256, 3, 3, activation="relu", name="conv3_1"))
model.add(ZeroPadding2D((1, 1)))
model.add(Convolution2D(256, 3, 3, activation="relu", name="conv3_2"))
model.add(ZeroPadding2D((1, 1)))
model.add(Convolution2D(256, 3, 3, activation="relu", name="conv3_3"))
model.add(MaxPooling2D((2, 2), strides=(2, 2)))

model.add(ZeroPadding2D((1, 1)))
model.add(Convolution2D(512, 3, 3, activation="relu", name="conv4_1"))
model.add(ZeroPadding2D((1, 1)))
model.add(Convolution2D(512, 3, 3, activation="relu", name="conv4_2"))
model.add(ZeroPadding2D((1, 1)))
model.add(Convolution2D(512, 3, 3, activation="relu", name="conv4_3"))
model.add(MaxPooling2D((2, 2), strides=(2, 2)))

model.add(ZeroPadding2D((1, 1)))
model.add(Convolution2D(512, 3, 3, activation="relu", name="conv5_1"))
model.add(ZeroPadding2D((1, 1)))
model.add(Convolution2D(512, 3, 3, activation="relu", name="conv5_2"))
model.add(ZeroPadding2D((1, 1)))
model.add(Convolution2D(512, 3, 3, activation="relu", name="conv5_3"))
model.add(MaxPooling2D((2, 2), strides=(2, 2)))

model.add(Flatten())
model.add(Dense(4096, activation="relu"))
model.add(Dropout(0.5))
model.add(Dense(4096, activation="relu"))
model.add(Dropout(0.5))
model.add(Dense(1000, activation="softmax"))

sgd = SGD(lr=0.1, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(optimizer=sgd, loss="categorical_crossentropy")

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

test_datagen = ImageDataGenerator(rescale=1./255)

train_generator = train_datagen.flow_from_directory(
train_data_dir,
target_size=(img_width, img_height),
batch_size=32)

validation_generator = test_datagen.flow_from_directory(
validation_data_dir,
target_size=(img_width, img_height),
batch_size=32)

model.fit_generator(
train_generator,
samples_per_epoch=2000,
nb_epoch=1,
verbose=1,
validation_data=validation_generator,
nb_val_samples=800)

json_string = model.to_json()
open("my_model_architecture.json","w").write(json_string)
model.save_weights("Second_try.h5")


---

model.add(Dense(1000, activation="softmax"))
改為
model.add(Dense(10, activation="softmax"))
（圖片有10類）


---

請直接選擇import vgg16 ，選丟棄top層，自己建一個10分類的全連接層再微調就行了。另外10分類用vgg16略浪費。估計你參考下cifar10的網路就行了

---

keras.application 里已經有VGG16和VGG19了，可以直接用，也可以拷出來修改。

自己修改的話compile一下就能用了。

---

我用過vgg19 retain cifar10， code 見 github：BIGBALLON/NCTU_DL

最後把1000 改為 10就好了

---

VGG16 for ImageNet: https://github.com/zsdonghao/tensorlayer/blob/master/example/tutorial_vgg16.py

VGG19 for ImageNet: https://github.com/zsdonghao/tensorlayer/blob/master/example/tutorial_vgg19.py

Inception V3 (tfslim) for ImageNet: https://github.com/zsdonghao/tensorlayer/blob/master/example/tutorial_inceptionV3_tfslim.py

任何tfslim的pre-trained model都可以想Inception的例子哪樣導入。

---

題主的問題解決了嗎？我最近也是遇見這個問題了

---

我也在做這個實驗，遇到同樣的問題，，想問最後是怎麼解決的啊？？

---

推薦閱讀：