迁移学习之VGG16和VGG19_vgg19的输出结果是什么

1.输出效果：

实际的图片——Dog：

预测的结果有误。但是没关系，自己可以找一些数据集，在此模型的基础上进行微调达到更好的效果。

关于InceptionV3（159层）,Xception（126层）,Inception_ResNet_V2（572层）：
https://mydreamambitious.blog.csdn.net/article/details/123907490
关于ResNet50和ResNet101：
https://mydreamambitious.blog.csdn.net/article/details/123906833
关于MobileNet（88层）和MobileNetV2（88层）：
https://mydreamambitious.blog.csdn.net/article/details/123907955
关于DenseNet121(121层）,DenseNet169(169层),DenseNet201(201层)：
https://mydreamambitious.blog.csdn.net/article/details/123908742
EfficientNetBX
https://mydreamambitious.blog.csdn.net/article/details/123929264

2.主文件TransorVGG16AndVGG19.py:

import os
import cv2
import numpy as np
import tensorflow.keras.applications.vgg16
from PIL import Image
from tensorflow import keras
from tensorflow.keras.preprocessing import image
from tensorflow.keras.preprocessing.image import img_to_array
from keras.applications.vgg16 import preprocess_input,decode_predictions

def load_VGG_16():
    #加载VGG16模型,并且保留顶层
    model_VGG16=tensorflow.keras.applications.vgg16.VGG16(weights='imagenet')
    img_path='images/train/dog/1.jpg'
    # 将图像转换为网络需要的大小，因为我们这里加载的模型都是固定输入大小224*224
    img=image.load_img(img_path,target_size=(224,224))
    ##首先需要转换为向量的形式
    img=image.img_to_array(img)
    # 扩充维度
    img=np.expand_dims(img,axis=0)
    # 对输入的图像进行处理
    img_out=preprocess_input(img)
    ## decode the results into a list of tuples (class, description, probability)
    # (one such list for each sample in the batch)
    #上面这段话的意思是输出包括（类别，图像描述，输出概率）
    preds=model_VGG16.predict(img_out)
    # 输出前三个结果的可能性
    print('Predicted: ', decode_predictions(preds, top=3)[0])
    print('Predicted: ', decode_predictions(preds, top=3))

def load_VGG_19():
    #加载VGG16模型,并且保留顶层
    model_VGG19=tensorflow.keras.applications.vgg19.VGG19(weights='imagenet')
    img_path='images/train/dog/1.jpg'
    # 将图像转换为网络需要的大小，因为我们这里加载的模型都是固定输入大小224*224
    img=image.load_img(img_path,target_size=(224,224))
    ##首先需要转换为向量的形式
    img=image.img_to_array(img)
    # 扩充维度
    img=np.expand_dims(img,axis=0)
    # 对输入的图像进行处理
    img_out=preprocess_input(img)
    ## decode the results into a list of tuples (class, description, probability)
    # (one such list for each sample in the batch)
    #上面这段话的意思是输出包括（类别，图像描述，输出概率）
    preds=model_VGG19.predict(img_out)
    # 输出前三个结果的可能性
    print('Predicted: ', decode_predictions(preds, top=3)[0])
    print('Predicted: ', decode_predictions(preds, top=3))


if __name__ == '__main__':
    print('Pycharm')
    print('VGG16: Predict:\\n')
    load_VGG_16()
    print('VGG19: Predict:\\n')
    load_VGG_19()

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58