小编给大家分享一下Keras预训练好的模型进行目标类别预测的案例分析，希望大家阅读完这篇文章后大所收获，下面让我们一起去探讨方法吧！
前言
最近开始学习深度学习相关的内容，各种书籍、教程下来到目前也有了一些基本的理解。参考Keras的官方文档自己做一个使用application的小例子，能够对图片进行识别，并给出可能性最大的分类。
闲言少叙，开始写代码
环境搭建相关就此省去，网上非常多。我觉得没啥难度
from keras.applications.resnet50 import ResNet50 from keras.preprocessing import image from keras.applications.resnet50 import preprocess_input, decode_predictions import numpy as np
导入权重，首次会从网络进行下载，不过速度还是挺快的，使用ImageNet的数据集
model = ResNet50(weights='imagenet')
定义一个函数读取图片文件并处理。这里需要安装PLI的库。 pip install Pillow ,不然会报错
def load_image(img_path): img = image.load_img(img_path, target_size=(224, 224)) x = image.img_to_array(img) x = np.expand_dims(x, axis=0) x = preprocess_input(x) return x
加载一个图片文件，默认在当前路径寻找
x=load_image('zebra.jpg')
哈哈，开始预测了！激动人心啊
preds = model.predict(x)
执行速度很快，现在看看结果
print('Predicted:', decode_predictions(preds, top=3)[0])
Predicted: [(‘n02391049', ‘zebra', 0.99566585), (‘n02423022', ‘gazelle', 0.0010297714), (‘n01518878', ‘ostrich', 0.00067320856)]
准确率还是不错，后续还测试了一些飞机之类的图片，总体来讲马马虎虎！
是不是非常简单，确实很简单！
补充知识：模型训练loss先迅速下降后一直上升
loss函数走势如下：
检查代码没什么问题，分析应该是陷入了局部最优，把学习率调低一点就好了，从0.01调到了0.001
看完了这篇文章，相信你对Keras预训练好的模型进行目标类别预测的案例分析有了一定的了解，想了解更多相关知识，欢迎关注亿速云行业资讯频道，感谢各位的阅读！
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
