通过Resnet预训练模型提升图像分类模型精度

[leewishyuanfang]

在本次实践中，将通过resnet预训练模型来进行猫狗图像识别的模型训练。
相比之前实验中采用的VGG16网络，resnet网络要更加复杂，模型的参数数量要更多，如果仅通过已有的25000张图片来训练resnet网络，是远远不够的，幸运的是，resnet网络也提供了若干预训练模型，来加速网络的训练和提升精度。
所谓的预训练模型，就是实现使用大型的图像分类数据集完成了对模型的训练，并将训练后的模型参数保存下来。在我们的训练过程中，就可以在创建模型时直接导入这些已经训练好的模型参数，然后再对模型的某些层展开训练（这里一般指的是模型最后的全连接层）。
采用预训练模型，能够充分利用模型在大型数据集上已经提取出来的图像特征，使得即便只有少量的训练数据，也能够达到很高的训练精度，训练速度也大大提高。
接下来。我们就对我们的程序进行改造，具体代码如下：
只需将原有程序中模型创建的这部分代码：

改为以下代码：
首先，添加ResNet50依赖
from keras.applications.resnet50 import ResNet50
接下来，导入预训练模型
base_model = ResNet50(weights='imagenet', include_top=False, pooling=None, input_shape=(ROWS, COLS, CHANNELS), classes=2)
然后，冻结base_model所有层，这样在训练时，这些层的参数不会再参与训练
for layer in base_model.layers:
layer.trainable = False
x = base_model.output
接下来，添加自己的全链接分类层
x = Flatten()(x)
x = GlobalAveragePooling2D()(x)
x = Dense(1024, activation='relu')(x)
predictions = Dense(2, activation='softmax')(x)
最终，获得最终模型
model = Model(inputs=base_model.input, outputs=predictions)
在这里，我们采用的是resnet在imagenet这个数据集上训练得到的预训练模型。Imagenet数据集有1400多万幅图片，涵盖2万多个类别。当使用ResNet50()导入模型时，程序会自动联网到github上下载预训练模型（这里我得吐槽一句，为啥我在本机直接从github上下载预训练模型就只有不到15kb的下载速度，而NoteBook就几乎是瞬间下载…）。
程序的其他部分不变，我们再次展开实验

我们可以发现，模型在训练集和验证集上的精度，均得到了极大提高
最终，在测试集上的精度如下：

可以看到，最终的模型在测试集上的分类精度高达96%，几乎是完美完成了分类任务。
由此，可以总结如下：采用常用模型的预训练模型，可以大大缩短模型训练的时间，提高模型的精度。在训练数据不充分，计算资源和开发时间有限的情况下，采用预训练模型是我们的最佳选择。

[chenliang613]

赞！请把此经验提交一个PR到/contrib下，文件夹名字： 《第二期猫狗识别率调到96%-leewishyuanfang》

我的意见：这个分享，可以积3分，请其他committer看下。

[chaoxu1203]

这个思路很好，讲解也很清晰，赞！
（ModelArts Notebook下载数据速度快是因为华为云的网络性能强劲，哈哈）

[crystaldust]

@leewishyuanfang Hi, 请问可以提供一个你运行好的，带结果的ipynb文件吗？我们来复现、确认一下结果

[leewishyuanfang]

@crystaldust 在这里面有:第二期猫狗识别率调到96%25-leewishyuanfang