使用迁移学习/数据增强方法来实现Kaggle分类&识别名

2018-12-03 本文已影响5人 AI研习社

本文为 AI 研习社编译的技术博客，原标题：

Celebrity Face Kaggle Classification Using Transfer Learning/Data Augmentation

作者 | Terrance Whitehurst

翻译 | Disillusion

校对 | Lam-W 审核| Lam-W 整理 | 菠萝妹

原文链接：https://medium.com/@TerranceWhitehurst/celebrity-face-kaggle-classification-using-transfer-learning-data-augmentation-f4460fb3c8a6

概述!

在这个项目中，我将使用keras、迁移学习和微调过的VGG16网络来对kaggle竞赛中的名人面部图像进行分类。

你将学到什么!

用keras进行分类

数据增强

迁移学习

让我们开始吧!

加载所有函数库。

创建数据目录。

在这里，我创建了一些参数供以后使用，并创建了训练和验证目录。

我使用keras的 “ ImageDataGenerator() ” 来应用数据增强。我为训练和验证创建增强，然后创建训练生成器和验证生成器。

对于我的数据格式，我需要“channels_first”或“channels_last”格式。

在这我把imagenet权重加载进我预训练过的VGG16模型。接下来，我创建了我的序列模型的架构。

训练前一定要编译你的模型!

现在我通过调用fit_generator()来训练我的模型。

这里我可视化了我们模型的训练历史。

#10

现在我将我训练过的模型保存在“JSON”和“h5”中。我以这两种格式保存的原因是以便将来我想将其部署到生产环境中。“JSON”格式保留了模型的架构，“h5”格式保存了模型的所有权重。

提示：如果您想在将来部署您的keras模型，那么你要用 h5 格式来保存。

结语

我希望你从这个项目中学到了很多东西，并能够利用它来进一步加深你的机器学习知识。

快乐学习！

你一定能做到！！！

想要继续查看该篇文章相关链接和参考文献？

长按链接点击打开：

AI研习社每日更新精彩内容，观看更多精彩内容：

这5种计算机视觉技术，刷新你的世界观

迁移学习：如何将预训练CNN当成特征提取器

新手必看：深度学习是什么？它的工作原理是什么？

Python高级技巧：用一行代码减少一半内存占用

等你来译：

预训练模型及其应用

一文带你读懂线性分类器

(Python)3D人脸处理工具face3d

让你的电脑拥有“视力”，用卷积神经网络就可以！