這是數(shù)據(jù)框的視圖，

下一步就是制作一個對象，將圖片放入模型中。我們將練習tf．keras．preprocessing．image庫的ImageDataGenerator對象。使用此對象，我們將生成圖像批次。此外，我們可以擴充我們的圖片以擴大數(shù)據(jù)集的乘積。因為我們還擴展了這些圖片，我們進一步設(shè)置了圖像增強技術(shù)的參數(shù)。

此外，因為我們應(yīng)用了一個數(shù)據(jù)幀作為關(guān)于數(shù)據(jù)集的知識，因此我們將使用flow＿from＿dataframe方法生成批處理并增強圖片。上面的代碼看起來像這樣from tensorflow．keras．preprocessing．image import ImageDataGenerator
＃ Create the ImageDataGenerator object
train＿datagen ＝ ImageDataGenerator（
   featurewise＿center＝True，
   featurewise＿std＿normalization＝True，
   rotation＿range＝20，
   width＿shift＿range＝0．2，
   height＿shift＿range＝0．2，
   horizontal＿flip＝True，
）
val＿datagen ＝ ImageDataGenerator（
   featurewise＿center＝True，
   featurewise＿std＿normalization＝True，
   rotation＿range＝20，
   width＿shift＿range＝0．2，
   height＿shift＿range＝0．2，
   horizontal＿flip＝True，
）
＃ Generate batches and augment the images
train＿generator ＝ train＿datagen．flow＿from＿dataframe（
   df＿train，
   directory＝＇Food－5K／training／＇，
   x＿col＝＇filename＇，
   y＿col＝＇label＇，
   class＿mode＝＇binary＇，
   target＿size＝（224， 224），
）
val＿generator ＝ train＿datagen．flow＿from＿dataframe（
   df＿val，
   directory＝＇Food－5K／validation／＇，
   x＿col＝＇filename＇，
   y＿col＝＇label＇，
   class＿mode＝＇binary＇，
   target＿size＝（224， 224），
）

步驟3：訓練模型

決定好批次之后，我們可以通過遷移學習技術(shù)來訓練模型。因為我們應(yīng)用了這種方法，所以我們不需要從頭開始執(zhí)行 CNN 架構(gòu)。相反，我們將使用當前和以前預(yù)訓練的架構(gòu)。我們將應(yīng)用 ResNet－50 作為我們新模型的脊椎。我們將生成輸入并根據(jù)類別數(shù)量調(diào)整 ResNet－50 的最后一個線性層ResNet－50。

構(gòu)建模型的代碼如下

from tensorflow．keras．a(chǎn)pplications import ResNet50
＃ Initialize the Pretrained Model
feature＿extractor ＝ ResNet50（weights＝＇imagenet＇，
                            input＿shape＝（224， 224， 3），
                            include＿top＝False）
＃ Set this parameter to make sure it＇s not being trained
feature＿extractor．trainable ＝ False
＃ Set the input layer
input＿ ＝ tf．keras．Input（shape＝（224， 224， 3））
＃ Set the feature extractor layer
x ＝ feature＿extractor（input＿， training＝False）
＃ Set the pooling layer
x ＝ tf．keras．layers．GlobalAveragePooling2D（）（x）
＃ Set the final layer with sigmoid activation function
output＿ ＝ tf．keras．layers．Dense（1， activation＝＇sigmoid＇）（x）
＃ Create the new model object
model ＝ tf．keras．Model（input＿， output＿）
＃ Compile it
model．compile（optimizer＝＇adam＇，
            loss＝＇binary＿crossentropy＇，
            metrics＝［＇accuracy＇］）
＃ Print The Summary of The Model
model．summary（）

為了訓練模型，我們采用擬合的方法來準備模型。這是代碼，model．fit（train＿generator， epochs＝20， validation＿data＝val＿generator）

步驟4：測試模型

在訓練模型之后，現(xiàn)在讓我們在測試數(shù)據(jù)集上檢查模型。在擴展中，我們需要結(jié)合一個pillow庫來加載和調(diào)整圖片大小，以及 scikit－learn 來確定模型性能。我們將練習來自 scikit－learn 庫的分類報告，以生成關(guān)于模型執(zhí)行的報告。此外，我們會喜歡它的混淆矩陣。這是預(yù)測實驗數(shù)據(jù)及其決策的代碼，from PIL import Image
from sklearn．metrics import classification＿report， confusion＿matrix
y＿true ＝ ［］
y＿pred ＝ ［］
for i in os．listdir（＇Food－5K／evaluation＇）：
   img ＝ Image．open（＇Food－5K／evaluation／＇ ＋ i）
   img ＝ img．resize（（224， 224））
   img ＝ np．a(chǎn)rray（img）
   img ＝ np．expand＿dims（img， 0）
   
   y＿true．a(chǎn)ppend（int（i．split（＇＿＇）［0］））
   y＿pred．a(chǎn)ppend（1 if model．predict（img） ＞ 0．5 else 0）
   
print（classification＿report（y＿true， y＿pred））
print（）
print（confusion＿matrix（y＿true， y＿pred））

從前面的內(nèi)容可以看出，該模型的性能已超過95％。因此，我們可以在建立圖像分類器 API 的情況下接受此模型。

步驟5：保存模型

如果你希望將模型用于后續(xù)使用或部署，你可以使用 save 方法保存模型，model．save（＇．／resnet50＿food＿model＇）

如果你需要加載模型，你可以像這樣練習load＿model方法，model ＝ tf．keras．models．load＿model（＇．／resnet50＿food＿model＇）

下一步是什么

做得好！現(xiàn)在你已了解如何使用 TensorFlow 執(zhí)行遷移學習。我希望這項研究能鼓勵你，尤其是那些渴望在數(shù)據(jù)不足的情況下訓練深度學習模型的人。