使用Mobilenet和Keras進行遷移學習！

在這個筆記本中，我將向您展示使用Mobilenet對狗的影像進行分類的示例。然後，我將向您展示一個例子，它會把藍山雀的影像錯誤分類。然後，我將重新訓練Mobilenet並使用遷移學習，以便它可以正確地對相同的輸入影像進行分類。在這個過程中，僅使用了兩個分類器，但是這可以擴充套件到您想要的數量，僅限於您可用的硬體數量和時間。

Mobilenet的原始檔位於：https：//arxiv.org/pdf/1704.04861.pdf

MobileNets：用於移動視覺應用的高效卷積神經網路。

我們使用Mobilenet，是因為它的架構很輕巧。它使用深度可分離的卷積，這基本上意味著它在每個顏色通道上都執行單個卷積，而不是將所有三個卷積相合並展平它。這具有過濾輸入通道的效果。或者正如本文作者清楚地解釋的那樣：“對於MobileNets，深度卷積對每個輸入通道應用單個濾波器。然後，逐點卷積應用1×1卷積來組合輸出深度卷積。標準卷積既可以在一個步驟中過濾並將輸入組合成一組新的輸出。深度可分離卷積將其分成兩層，一個用於過濾的單獨層一個用於組合的單獨層。這種因式分解具有顯著減少計算和模型大小的效果。”

逐點和深度卷積之間的差異

所以Mobilenet的整體架構如下，有30層

1. 步長為2的卷積層

2. depthwise layer

3. pointwise layer，使通道數加倍

4. 步長為2的depthwise layer

5. pointwise layer，使通道數加倍

等等

Mobilenet完整架構

它的維護成本非常低，在高速下表現也非常好。還有許多型別的預訓練模型，其儲存器中的網路大小和磁碟上使用的引數數量成比例。網路的速度和功耗與MACs (Multiply-Accumulates)的數量成正比，後者是融合乘法和加法運算數量的度量。

現在讓我們來看看程式碼！

我的全部程式碼：https：//github.com/ferhat00/Deep-Learning/tree/master/Transfer%20Learning%20CNN

讓我們載入必要的包和庫。

我們從Keras輸入預先訓練的模型。

讓我們嘗試下對不同品種的狗的影像進行一些測試。

輸出：

輸出：

輸出：

到現在為止還挺好。它很好地分類了每一種狗，那麼接下來讓我們試一種鳥類藍色的山雀來看看。

藍雀

輸出：

你可以看到它無法識別藍山雀。它錯誤地將影像歸類為小雞。這是一種原產於北美的本土鳥類，並且有微妙的不同：

山雀

現在讓我們操縱Mobilenet架構，重新訓練前幾個層並使用遷移學習。要做到這一點，我們需要用一些影像訓練它。在這裡，我將用藍山雀和烏鴉的影像進行訓練。但是，不是手動下載它們的影像，而是使用谷歌影像搜尋並拉動影像。要做到這一點，我們可以匯入一個很好的包。

檢視https://github.com/hardikvasa/google-images-download

讓我們現在重新使用MobileNet，因為它非常輕巧（17Mb），讓我們新增和訓練前幾個層。注意我只會訓練兩個分類器，藍山雀和烏鴉。

讓我們檢查一下模型架構

我們將使用預先訓練的權重，因為已經在Imagenet資料集上訓練了模型。我們確保所有權重都是不可訓練的，只訓練最後幾層密集層。

現在讓我們將訓練資料載入到ImageDataGenerator中。指定路徑，它會自動傳送批次訓練資料，簡化程式碼。

編譯模型。現在讓我們訓練吧。在GTX1070 GPU上花費不到兩分鐘。

該模型現已接受訓練。 現在讓我們測試一些獨立的輸入影像來檢查預測。

輸出：

正如你所看到的，它正確地預測了烏鴉的影像，因為藍山雀的影像被註釋掉了。

烏鴉

這可以進一步擴充套件到更多的影像，更多數量的分類器可以更好地推廣，但它是實現CNN遷移學習的最輕量級的方法和最快捷的方式。這當然取決於您想要實現模型的速度、準確程度和硬體，以及您有多少時間可用。