keras搭建VGG、ResNet、GoogleNet InceptionV3实现图像的多分类任务

　　基于keras实现分类任务

　　基于keras利用VGG、ResNet、GoogleNet InceptionV3实现图像的分类任务，下面会给出完整代码，但为了熟悉不同整个网络的特点，建议大家自己搭建一下每个分类网络，毕竟利用keras搭建网络还是比较简单的。

　　# -*- coding: utf-8 -*-

　　import os

　　from keras.utils import plot_model

　　from keras.applications.resnet50 import ResNet50

　　from keras.applications.vgg19 import VGG19

　　from keras.applications.inception_v3 import InceptionV3

　　from keras.layers import Dense,Flatten,GlobalAveragePooling2D

　　from keras.models import Model,load_model

　　from keras.optimizers import SGD

　　from keras.preprocessing.image import ImageDataGenerator

　　import matplotlib.pyplot as plt

　　class PowerTransferMode:

　　#数据准备

　　def DataGen(self, dir_path, img_row, img_col, batch_size, is_train):

　　if is_train:

　　datagen = ImageDataGenerator(rescale=1./255,

　　zoom_range=0.25, rotation_range=15.,

　　channel_shift_range=25., width_shift_range=0.02, height_shift_range=0.02,

　　horizontal_flip=True, fill_mode='constant')

　　else:

　　datagen = ImageDataGenerator(rescale=1./255)

　　generator = datagen.flow_from_directory(

　　dir_path, target_size=(img_row, img_col),

　　batch_size=batch_size,

　　#class_mode='binary',

　　class_mode='categorical',

　　shuffle=is_train)

　　return generator

　　#ResNet模型

　　def ResNet50_model(self, lr=0.005, decay=1e-6, momentum=0.9, nb_classes=2, img_rows=197, img_cols=197, RGB=True, is_plot_model=False):

　　color = 3 if RGB else 1

　　base_model = ResNet50(weights='imagenet', include_top=False, pooling=None, input_shape=(img_rows, img_cols, color),

　　classes=nb_classes)

　　#冻结base_model所有层，这样就可以正确获得bottleneck特征

　　for layer in base_model.layers:

　　layer.trainable = False

　　x = base_model.output

　　#添加自己的全链接分类层

　　x = Flatten()(x)

　　#x = GlobalAveragePooling2D()(x)

　　#x = Dense(1024, activation='relu')(x)

　　predictions = Dense(nb_classes, activation='softmax')(x)

　　#训练模型

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

　　sgd = SGD(lr=lr, decay=decay, momentum=momentum, nesterov=True)

　　model.compile(loss='categorical_crossentropy', optimizer=sgd, metrics=['accuracy'])

　　#绘制模型

　　if is_plot_model:

　　plot_model(model, to_file='resnet50_model.png',show_shapes=True)

　　return model

　　#VGG模型

　　def VGG19_model(self, lr=0.005, decay=1e-6, momentum=0.9, nb_classes=18, img_rows=197, img_cols=197, RGB=True, is_plot_model=False):

　　color = 3 if RGB else 1

　　base_model = VGG19(weights='imagenet', include_top=False, pooling=None, input_shape=(img_rows, img_cols, color),

　　classes=nb_classes)

　　#冻结base_model所有层，这样就可以正确获得bottleneck特征

　　for layer in base_model.layers:

　　layer.trainable = False

　　x = base_model.output

　　#添加自己的全链接分类层

　　x = GlobalAveragePooling2D()(x)

　　x = Dense(1024, activation='relu')(x)

　　x = Dense(1024, activation='relu')(x)

　　predictions = Dense(nb_classes, activation='softmax')(x)

　　#训练模型

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

　　sgd = SGD(lr=lr, decay=decay, momentum=momentum, nesterov=True)

　　model.compile(loss='categorical_crossentropy', optimizer=sgd, metrics=['accuracy'])

　　# 绘图

　　if is_plot_model:

　　plot_model(model, to_file='vgg19_model.png',show_shapes=True)

　　return model

　　# InceptionV3模型

　　def InceptionV3_model(self, lr=0.005, decay=1e-6, momentum=0.9, nb_classes=18, img_rows=197, img_cols=197, RGB=True,

　　is_plot_model=False):

　　color = 3 if RGB else 1

　　base_model = InceptionV3(weights='imagenet', include_top=False, pooling=None,

　　input_shape=(img_rows, img_cols, color),

　　classes=nb_classes)

　　# 冻结base_model所有层，这样就可以正确获得bottleneck特征

　　for layer in base_model.layers:

　　layer.trainable = False

　　x = base_model.output

　　# 添加自己的全链接分类层

　　x = GlobalAveragePooling2D()(x)

　　x = Dense(1024, activation='relu')(x)

　　#x = GlobalAveragePooling2D()(x)

　　x = Dense(1024, activation='relu')(x)

　　predictions = Dense(nb_classes, activation='softmax')(x)

　　# 训练模型

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

　　sgd = SGD(lr=lr, decay=decay, momentum=momentum, nesterov=True)

　　model.compile(loss='categorical_crossentropy', optimizer=sgd, metrics=['accuracy'])

　　# 绘图

　　if is_plot_model:

　　plot_model(model, to_file='inception_v3_model.png', show_shapes=True)

　　return model

　　#训练模型

　　def train_model(self, model, epochs, train_generator, steps_per_epoch, validation_generator, validation_steps, model_url, is_load_model=False):

　　# 载入模型郑州人流医院 http://www.zykdfk.com/

　　if is_load_model and os.path.exists(model_url):

　　model = load_model(model_url)

　　history_ft = model.fit_generator(

　　train_generator,

　　steps_per_epoch=steps_per_epoch,

　　epochs=epochs,

　　validation_data=validation_generator,

　　validation_steps=validation_steps)

　　# 模型保存

　　model.save(model_url,overwrite=True)

　　return history_ft

　　# 画图

　　def plot_training(self, history):

　　acc = history.history['accuracy']

　　val_acc = history.history['val_accuracy']

　　loss = history.history['loss']

　　val_loss = history.history['val_loss']

　　epochs = range(len(acc))

　　plt.plot(epochs, acc, 'b-')

　　plt.plot(epochs, val_acc, 'r')

　　plt.title('Training and validation accuracy')

　　plt.figure()

　　plt.plot(epochs, loss, 'b-')

　　plt.plot(epochs, val_loss, 'r-')

　　plt.title('Training and validation loss')

　　plt.show()

　　if __name__ == '__main__':

　　#os.environ['CUDA_VISIBLE_DEVICES'] = '-1'

　　image_size = 256

　　batch_size = 32

　　epo = 1000

　　transfer = PowerTransferMode()

　　num_train = 14470

　　num_test = 3215

　　#得到数据

　　train_generator = transfer.DataGen('/home/jjin/skin_diagnosis/class_test_3/train/', image_size, image_size, batch_size, True)

　　validation_generator = transfer.DataGen("/home/jjin/skin_diagnosis/class_test_3/test/", image_size, image_size, batch_size, False)

　　#VGG19

　　model = transfer.VGG19_model(nb_classes=18, img_rows=image_size, img_cols=image_size, is_plot_model=False)

　　history_ft1 = transfer.train_model(model, epo, train_generator, num_train//batch_size, validation_generator, num_test//batch_size, 'vgg19_model_weights.h6', is_load_model=False)

　　#ResNet50

　　#model = transfer.ResNet50_model(nb_classes=2, img_rows=image_size, img_cols=image_size, is_plot_model=False)

　　#history_ft = transfer.train_model(model, 10, train_generator, 600, validation_generator, 60, 'resnet50_model_weights.h6', is_load_model=False)

　　#InceptionV3

　　model = transfer.InceptionV3_model(nb_classes=18, img_rows=image_size, img_cols=image_size, is_plot_model=True)

　　# 分多次进行训练，没训练100次，保存一下模型

　　for _ in range(10):

　　history_ft2 = transfer.train_model(model, 100, train_generator, num_train//batch_size, validation_generator, num_test//batch_size, 'inception_v3_model_weights .h6', is_load_model=False)

　　# 训练的acc_loss图

　　transfer.plot_training(history_ft1)

　　transfer.plot_training(history_ft2)

　　在这里有几点要提醒一下，虽然3个网络都搭建出来了，但我只训练了其中的两个网络，其中，在训练InceptionV3时，我把训练过程分为了10个循环，每个循环的epoch是100，这是为了每一个循环后都能保存一下模型，而不至于因为某些原因，导致训练中断，模型没有保存下来。