VGG16架构
在本文中我们将深入研究所有标准的CNN架构，使其像VGG-16一样简单，或者像Xception一样复杂。在当今世界，卷积神经网络在能力方面已经取得了长足的进步。它可以解决复杂的图像分类任务，甚至是人类无法完成的任务，如对稀有物种狗的分类。在本文中我们将研究VGG-16体系结构。
VGG16架构
什么是VGG-16？
VGG-16是一种卷积神经网络体系结构，其名称VGG-16来自于它具有16层的事实。它的层由卷积层，最大池化层，激活层，完全连接层组成。
VGG16架构
有13个卷积层，5个最大池化层和3个密集层，这些层总计为21个层，但只有16个权重层。Conv 1的滤波器数量为64，而Conv 2的滤波器为128，Conv 3的滤波器为256，而Conv 4和Conv 5的滤波器为512。VGG-16网络在ImageNet数据集上进行了训练，该数据集具有1400万幅图像和1000个类别，并且达到前5位准确性的92.7％。它通过用较小的3x3滤波器替换第一和第二卷积层中大小为11和5的大型滤波器来超越AlexNet网络。现在，我们将在Keras中使用VGG-16训练图像数据集。
实例
接下来我们需要运行模型来可视化它，我们使用的是Kaggle中的猫和狗数据集。（https://www.kaggle.com/tongpython/cat-and-dog/data）
我们先导入我们需要的部分库，其他部分的库会在我们使用的时候再导入。
<code>import keras import matplotlib.pyplot as plt from keras import backend as K from keras.models import Sequential from keras.layers import Dense, Conv2D, Flatten, MaxPool2D from keras.optimizers import Adam,SGD,Adagrad,Adadelta,RMSprop from keras.utils import to_categorical /<code>
我们需要使用keras，tensorflow来运行模型并进行可视化，需要使用matplotlib库。
<code>from keras.preprocessing.image import ImageDataGenerator import numpy as np trdata = ImageDataGenerator() traindata = trdata.flow_from_directory(directory="training_set/training_set",target_size=(227,227)) tsdata = ImageDataGenerator() testdata = tsdata.flow_from_directory(directory="test_set/test_set", target_size=(227,227))/<code>
这是一个名为ImageDataGenerator的keras预处理库，我们在其中预处理数据。在这里，我们将所有图像的大小设置为224x224，因为这是VGG-16网络的标准输入大小。
注意：请使用训练和测试数据集的正确目录。现在，我们将使用Keras Sequential API定义模型。我们将使用卷积层，最大池化层和密集层定义VGG-16网络。
<code>model = Sequential() model.add(Conv2D(input_shape=(224,224,3),filters=64,kernel_size=(3,3),padding="same", activation="relu")) model.add(Conv2D(filters=64,kernel_size=(3,3),padding="same", activation="relu")) model.add(MaxPool2D(pool_size=(2,2),strides=(2,2))) model.add(Conv2D(filters=128, kernel_size=(3,3), padding="same", activation="relu")) model.add(Conv2D(filters=128, kernel_size=(3,3), padding="same", activation="relu")) model.add(MaxPool2D(pool_size=(2,2),strides=(2,2))) model.add(Conv2D(filters=256, kernel_size=(3,3), padding="same", activation="relu")) model.add(Conv2D(filters=256, kernel_size=(3,3), padding="same", activation="relu")) model.add(Conv2D(filters=256, kernel_size=(3,3), padding="same", activation="relu")) model.add(MaxPool2D(pool_size=(2,2),strides=(2,2))) model.add(Conv2D(filters=512, kernel_size=(3,3), padding="same", activation="relu")) model.add(Conv2D(filters=512, kernel_size=(3,3), padding="same", activation="relu")) model.add(Conv2D(filters=512, kernel_size=(3,3), padding="same", activation="relu")) model.add(MaxPool2D(pool_size=(2,2),strides=(2,2))) model.add(Conv2D(filters=512, kernel_size=(3,3), padding="same", activation="relu")) model.add(Conv2D(filters=512, kernel_size=(3,3), padding="same", activation="relu")) model.add(Conv2D(filters=512, kernel_size=(3,3), padding="same", activation="relu")) model.add(MaxPool2D(pool_size=(2,2),strides=(2,2))) model.add(Flatten()) model.add(Dense(units=4096,activation="relu")) model.add(Dense(units=4096,activation="relu")) model.add(Dense(units=2, activation="softmax"))/<code>
现在我们需要定义优化器和损失函数。
<code>from keras.optimizers import Adam opt = Adam(lr=0.001) model.compile(optimizer=opt, loss=keras.losses.categorical_crossentropy, metrics=['accuracy'])/<code>
现在，我们需要训练我们的模型，我们已经使用了两个回调函数(ModelCheckpoint和earlystop)，在本文中这不是我们的重点，我不会深入这两个的细节。
<code>from keras.callbacks import ModelCheckpoint, EarlyStopping
checkpoint = ModelCheckpoint("vgg16_1.h5", monitor='val_acc', verbose=1, save_best_only=True, save_weights_only=False, mode='auto', period=1)
early = EarlyStopping(monitor='val_acc', min_delta=0, patience=20, verbose=1, mode='auto')
hist = model.fit_generator(steps_per_epoch=10,generator=traindata, validation_data= testdata, validation_steps=10,epochs=10,callbacks=[checkpoint,early])/<code>所以我们经过了10个周期的模型训练后已经可以做出我们想要的工作了，显然还可以进行更多次的训练周期以获得更准确的结果。
<code>from keras.preprocessing import image
img = image.load_img("website-donate-mobile.jpg",target_size=(227,227))
img = np.asarray(img)
plt.imshow(img)
img = np.expand_dims(img, axis=0)
from keras.models import load_model
saved_model = load_model("alexnet_1.h5")
output = saved_model.predict(img)
if output[0][0] > output[0][1]:
print("cat")
else:
/<code>
因此，该模型可以正确预测这是一只狗。因此，最终构建了模型，接下来的步骤可能是将其部署到GCP或使用flask，我们最终将在以后的文章中进行介绍。
