深度学习趣谈：什么是迁移学习？（附带Tensorflow代码实现）

            import
             tensorflow as tf

            from tensorflow import keras
import matplotlib.pyplot as plt
import numpy as np
import glob
import os

keras=tf.keras
layers=tf.keras.layers
#得到图片的所有label
train_image_label=[int(p.split("\\")[1]==‘cat‘) for p in train_image_path ]


#现在我们的jpg文件进行解码，变成三维矩阵def load_preprosess_image(path,label):
    #读取路径
    image=tf.io.read_file(path)
    #解码
    image=tf.image.decode_jpeg(image,channels=3)#彩色图像为3个channel#将图像改变为同样的大小，利用裁剪或者扭曲,这里应用了扭曲
    image=tf.image.resize(image,[360,360])
    #随机裁剪图像
    image=tf.image.random_crop(image,[256,256,3])
    #随机上下翻转图像
    image=tf.image.random_flip_left_right(image)
    #随机上下翻转
    image=tf.image.random_flip_up_down(image)
    #随机改变图像的亮度
    image=tf.image.random_brightness(image,0.5)
    #随机改变对比度
    image=tf.image.random_contrast(image,0,1)
    #改变数据类型
    image=tf.cast(image,tf.float32)
    #将图像进行归一化
    image=image/255
    #现在还需要对label进行处理，我们现在是列表[1,2,3],#需要变成[[1].[2].[3]]
    label=tf.reshape(label,[1])
    return image,label

train_image_ds=tf.data.Dataset.from_tensor_slices((train_image_path,train_image_label))
AUTOTUNE=tf.data.experimental.AUTOTUNE#根据计算机性能进行运算速度的调整
train_image_ds=train_image_ds.map(load_preprosess_image,num_parallel_calls=AUTOTUNE)
#现在train_image_ds就读取进来了，现在进行乱序和batchsize的规定
BATCH_SIZE=32
train_count=len(train_image_path)
#现在设置batch和乱序
train_image_ds=train_image_ds.shuffle(train_count).batch(BATCH_SIZE)
train_image_ds=train_image_ds.prefetch(AUTOTUNE)#预处理一部分处理，准备读取
imags,labels=iter(train_image_ds).next()#放到生成器里，单独取出数据
plt.imshow(imags[30])

conv_base=keras.applications.VGG16(weights=‘imagenet‘,include_top=False)
#weights设置为imagenet表示使用imagebnet训练出来的权重，如果填写False表示不使用权重
#仅适用网络架构，include_top表示是否使用用于分类的全连接层
#我们在这个卷积层上添加全连接层和输出层即可
model=keras.Sequential()
model.add(conv_base)
model.add(layers.GlobalAveragePooling2D())
model.add(layers.Dense(512,activation=‘relu‘))
model.add(layers.Dense(1,activation=‘sigmoid‘))

conv_base.trainable=True#一共有19层for layer in conv_base.layers[:-3]:
    layer.trainable=False
#从第一层到倒数第三层重新设置为是不可训练的,现在卷积的顶层已经解冻，开始联合训练#编译这个网络
model.compile(optimizer=keras.optimizers.Adam(lr=0.001),
              loss=‘binary_crossentropy‘,
              metrics=[‘acc‘])

history=model.fit(
train_image_ds,
steps_per_epoch=train_count//BATCH_SIZE,
    epochs=1
)

Train for 62 steps
62/62 [==============================] - 469s 8s/step - loss: 0.6323 - acc: 0.6159