号称百万年薪的架构师开发的“傻瓜式”分类器模型“集”

导读

对不起，我说谎了～～～什么百万年薪架构师开发的，这是我瞎扯的，当然我也很严谨的使用号称，我自己号称的。。。不过点进来你就赚了，因为这个真的是干货，实战项目必备，简单容易好上手而且易懂，能使用多个模型进行训练方便对比各种模型的效果！！！

好了，再bb要被喷了。。。

主要参考：https://github.com/GeorgeSeif/Transfer-Learning-Suite

                 修改了几个bug

图像分类：

顾名思义，是一个输入图像，输出对该图像内容分类的描述的问题。它是计算机视觉的核心，实际应用广泛。图像分类的传统方法是特征描述及检测，这类传统方法可能对于一些简单的图像分类是有效的，但由于实际情况非常复杂，传统的分类方法不堪重负。现在，我们不再试图用代码来描述每一个图像类别，决定转而使用机器学习的方法处理图像分类问题。主要任务是给定一个输入图片，将其指派到一个已知的混合类别中的某一个标签。

图像分类的过程

目标

使用内置的keras图像分类模型轻松地迁移到自己的模型

1、简单，易上手

2、清晰，易懂

文件结构

为了方便理解用了两种方式展示：

（1）

（2）

文件说明：

checkpoints:用于保存输出模型

data:用于放置数据（训练集和验证集——图片格式，以文件名为标签）

training_logs:用于存在训练日记

main.py:用于模型训练和图片的测试

utils.py:存储着一些基本的功能

使用：

1、使用前可以先看一下之前的文章，方便理解代码内容

2、操作：

（1）在命令行或终端中输入（这个是最简易的操作）

python3 main.py --num_epochs 5 --dataset test --model InceptionV3

# 输入 训练的epoch数目，数据集目录名字 test,训练的模型InceptionV3

（2）如有其他定制要求可以参看如下（help里面有完整说明）：

parser = argparse.ArgumentParser()    
parser.add_argument('--num_epochs', type=int, default=5, help='Number of epochs to train for')    
parser.add_argument('--mode', type=str, default="train", help='Select "train", or "predict" mode. \   
    Note that for prediction mode you have to specify an image to run the model on.')  
parser.add_argument('--image', type=str, default=None, help='The image you want to predict on. Only valid in "predict" mode.')    
parser.add_argument('--continue_training', type=str2bool, default=False, help='Whether to continue training from a checkpoint')    
parser.add_argument('--dataset', type=str, default="Pets", help='Dataset you are using.')    
parser.add_argument('--resize_height', type=int, default=224, help='Height of cropped input image to network')    
parser.add_argument('--resize_width', type=int, default=224, help='Width of cropped input image to network')    
parser.add_argument('--batch_size', type=int, default=32, help='Number of images in each batch')    
parser.add_argument('--dropout', type=float, default=1e-3, help='Dropout ratio')    
parser.add_argument('--h_flip', type=str2bool, default=False, help='Whether to randomly flip the image horizontally for data augmentation')    
parser.add_argument('--v_flip', type=str2bool, default=False, help='Whether to randomly flip the image vertically for data augmentation')    
parser.add_argument('--rotation', type=float, default=0.0, help='Whether to randomly rotate the image for data augmentation')    
parser.add_argument('--zoom', type=float, default=0.0, help='Whether to randomly zoom in for data augmentation')    
parser.add_argument('--shear', type=float, default=0.0, help='Whether to randomly shear in for data augmentation')    
parser.add_argument('--model', type=str, default="MobileNet", help='Your pre-trained classification model of choice')

（3）可选的训练模型有：

VGG16  
VGG19  
ResNet50  
InceptionV3  
Xception  
InceptionResNetV2  
MobileNet  
DenseNet121  
DenseNet169  
DenseNet201  
NASNetLarge  
NASNetMobile

（4）测试图片

python3 main.py --mode predict --image test.jpg --dataset test --model InceptionV3

（5）输出训练和验证的准确率

最后，希望大家继续支持我哈，前段时间互推和送书有点多，实在很抱歉，掉了很多粉丝，难受啊～～忘记附上源码对不起

如果可以的话，也请大家多帮忙点点这些互推的文章，感谢啦，只有你们的支持，才让我一直努力的写下去，因为我知道有人在等我，哈哈哈，凑不要脸的。。。死鬼