迁移学习：基于keras和vgg16模型实现图像识别

迁移学习：将某一领域已获得成熟发展的知识应用于其他情境中，在图像识别领域最典型的应用便是构建神经网络以区分不同种类的猫咪。若是从零开始训练这一模型，则需要 million 级别的标注数据样本与充足的显存资源支持。然而通过迁移学习的方法我们可利用 Google 发布的 Inception 或 VGG16 这样的现成分类模型只需对顶层全连接层进行优化即可完成任务此时仅需几千张图片即可在普通 CPU 上轻松完成任务且保持较高的分类精度

案例一

框架：keras
数据集：CIFAR10
模型：vgg16
注：vgg16模型的输入图像尺寸至少为 48*48

思路：去除vgg16顶部的一层，并保持其余网络架构及已训练参数。接着引入新的模型架构，并进行cifar-10数据集上的训练。

1.模型结构

2.具体代码以及注释

①训练代码

 # -*- coding: utf-8 -*-

    
 #迁移学习，vgg16+cifar10
    
 from keras.applications.vgg16 import VGG16