1. 关于Application

• Keras 的应用模块（keras.applications）提供了带有预训练权值的深度学习模型，这些模型可以用来进行预测、特征提取和微调（fine-tuning）。当你初始化一个预训练模型时，会自动下载权值到 ~/.keras/models/ 目录下。

2. keras内置的Model

• 在 ImageNet 上预训练过的用于图像分类的模型：

VGG16
VGG19
Xception
ResNet50
InceptionV3
InceptionResNetV2
MobileNet
DenseNet
NASNet

• 所有的这些模型（除了 Xception 和 MobileNet 外）都兼容Theano和Tensorflow，并会自动按照位于 ~/.keras/keras.json 的配置文件中设置的图像数据格式来构建模型。举个例子，如果你设置 image_data_format=channels_last，则加载的模型将按照 TensorFlow 的维度顺序来构造，即“高度-宽度-深度”（Height-Width-Depth）的顺序。
• Xception 模型仅适用于 TensorFlow，因为它依赖于 SeparableConvolution 层。MobileNet 模型仅适用于 TensorFlow，因为它依赖于 DepthwiseConvolution 层。

3. 一些例子

1. 使用 ResNet50 进行 ImageNet 分类

   from keras.applications.resnet50 import ResNet50
   from keras.preprocessing import image
   from keras.applications.resnet50 import preprocess_input, decode_predictions
   import numpy as np
   
   model = ResNet50(weights='imagenet')
   
   img_path = 'elephant.jpg'
   img = image.load_img(img_path, target_size=(224, 224))
   x = image.img_to_array(img)
   x = np.expand_dims(x, axis=0)
   x = preprocess_input(x)
   
   preds = model.predict(x)
   # decode the results into a list of tuples (class, description, probability)
   # (one such list for each sample in the batch)
   print('Predicted:', decode_predictions(preds, top=3)[0])
   # Predicted: [(u'n02504013', u'Indian_elephant', 0.82658225), (u'n01871265', u'tusker', 0.1122357), (u'n02504458', u'African_elephant', 0.061040461)]

2. 使用 VGG16 提取特征

   from keras.applications.vgg16 import VGG16
   from keras.preprocessing import image
   from keras.applications.vgg16 import preprocess_input
   import numpy as np
   
   model = VGG16(weights='imagenet', include_top=False)
   
   img_path = 'elephant.jpg'
   img = image.load_img(img_path, target_size=(224, 224))
   x = image.img_to_array(img)
   x = np.expand_dims(x, axis=0)
   x = preprocess_input(x)
   
   features = model.predict(x)

3. 从VGG19的任意中间层中抽取特征

   from keras.applications.vgg19 import VGG19
   from keras.preprocessing import image
   from keras.applications.vgg19 import preprocess_input
   from keras.models import Model
   import numpy as np
   
   base_model = VGG19(weights='imagenet')
   model = Model(inputs=base_model.input, outputs=base_model.get_layer('block4_pool').output) # 自定义用于输出中间层的Model
   
   img_path = 'elephant.jpg'
   img = image.load_img(img_path, target_size=(224, 224))
   x = image.img_to_array(img)
   x = np.expand_dims(x, axis=0)
   x = preprocess_input(x)
   
   block4_pool_features = model.predict(x)

4. 在新类上微调 InceptionV3

   from keras.applications.inception_v3 import InceptionV3
   from keras.preprocessing import image
   from keras.models import Model
   from keras.layers import Dense, GlobalAveragePooling2D
   from keras import backend as K
   
   # 构建不带分类器的预训练模型
   base_model = InceptionV3(weights='imagenet', include_top=False) # include_top ?
   
   # 添加全局平均池化层
   x = base_model.output
   x = GlobalAveragePooling2D()(x)
   
   # 添加一个全连接层
   x = Dense(1024, activation='relu')(x)
   
   # 添加一个分类器，假设我们有200个类
   predictions = Dense(200, activation='softmax')(x)
   
   # 构建我们需要训练的完整模型
   model = Model(inputs=base_model.input, outputs=predictions)
   
   # 首先，我们只训练顶部的几层（随机初始化的层）
   # 锁住所有 InceptionV3 的卷积层
   for layer in base_model.layers:
       layer.trainable = False
   
   # 编译模型（一定要在锁层以后操作）
   model.compile(optimizer='rmsprop', loss='categorical_crossentropy')
   
   # 在新的数据集上训练几代
   model.fit_generator(...)
   
   # 现在顶层应该训练好了，让我们开始微调 Inception V3 的卷积层。
   # 我们会锁住 Inception V3 中底下的几层，然后训练其余的顶层。（因为底层都是低级语义，可共享）
   
   # 让我们看看每一层的名字和层号，看看我们应该锁多少层呢：
   for i, layer in enumerate(base_model.layers):
      print(i, layer.name)
   
   # 我们选择训练最上面的两个 Inception block
   # 也就是说锁住前面249层，然后放开之后的层。
   for layer in model.layers[:249]:
      layer.trainable = False
   for layer in model.layers[249:]:
      layer.trainable = True
   
   # 我们需要重新编译模型，才能使上面的修改生效
   # 让我们设置一个很低的学习率，使用 SGD 来微调
   from keras.optimizers import SGD
   model.compile(optimizer=SGD(lr=0.0001, momentum=0.9), loss='categorical_crossentropy')
   
   # 我们继续训练模型，这次我们训练最后两个 Inception block
   # 和两个全连接层
   model.fit_generator(...)

5. 通过自定义输入 tensor 构建 InceptionV3

   from keras.applications.inception_v3 import InceptionV3
   from keras.layers import Input
   
   # this could also be the output a different Keras model or layer
   input_tensor = Input(shape=(224, 224, 3))  # this assumes K.image_data_format() == 'channels_last'
   
   model = InceptionV3(input_tensor=input_tensor, weights='imagenet', include_top=True)

4. 内置模型的性能概览

• Top-1 准确率和 Top-5 准确率都是在 ImageNet 验证集上的结果。

• Xception：

  • 在 ImageNet 上预训练的 Xception V1 模型
  • 注意，该模型目前仅能在 TensorFlow 后端使用，因为它依赖 SeparableConvolution 层，目前该层只支持 channels_last 的维度顺序（高度、宽度、通道）。模型默认图片输入尺寸是 299x299。

• VGG16：

  • VGG16 模型，权值由 ImageNet 训练(不是预训练)而来。
  • 该模型在 Theano 和 TensorFlow 后端均可使用，并接受 channels_first 和 channels_last 两种输入维度顺序（高度，宽度，通道）。模型默认输入尺寸是 224x224。
  • 预训练权值由 VGG at Oxford 发布的预训练权值移植而来，基于 Creative Commons Attribution License。

• VGG19：

  • VGG19 模型，权值由 ImageNet 训练而来。
  • 该模型在 Theano 和 TensorFlow 后端均可使用，并接受 channels_first 和 channels_last 两种输入维度顺序（高度，宽度，通道）。模型默认输入尺寸是 224x224。
  • 预训练权值由 VGG at Oxford 发布的预训练权值移植而来，基于 Creative Commons Attribution License。

• ResNet50：

  • ResNet50 模型，权值由 ImageNet 训练而来。
  • 该模型在 Theano 和 TensorFlow 后端均可使用，并接受 channels_first 和 channels_last 两种输入维度顺序（高度，宽度，通道）。模型默认输入尺寸是 224x224。
  • 预训练权值由 Kaiming He 发布的预训练权值移植而来，基于 MIT license。

• InceptionV3：

  • nception V3 模型，权值由 ImageNet 训练而来。
  • 该模型在 Theano 和 TensorFlow 后端均可使用，并接受 channels_first 和 channels_last 两种输入维度顺序（高度，宽度，通道）。模型默认输入尺寸是 299x299。
  • 预训练权值基于 Apache License。

• InceptionResNetV2：

  • Inception-ResNet V2 模型，权值由 ImageNet 训练而来。
  • 该模型在 Theano 和 TensorFlow 后端均可使用，并接受 channels_first 和 channels_last 两种输入维度顺序（高度，宽度，通道）。模型默认输入尺寸是 299x299。
  • 预训练权值基于 Apache License。

• MobileNet：

  • 在 ImageNet 上预训练的 MobileNet 模型。

  • 注意，该模型目前仅能在 TensorFlow 后端使用，因为它依赖 SeparableConvolution 层，目前该层只支持 channels_last 的维度顺序（高度、宽度、通道）。要通过 load_model 载入 MobileNet 模型，你需要导入自定义对象 relu6 和 DepthwiseConv2D 并通过 custom_objects 传参。模型默认输入尺寸是 224x224.

    model = load_model('mobilenet.h5', custom_objects={
                       'relu6': mobilenet.relu6,
                       'DepthwiseConv2D': mobilenet.DepthwiseConv2D})

  • 预训练权值基于 Apache License。

• DenseNet：

  • 可以选择载入在 ImageNet 上的预训练权值。如果你在使用 TensorFlow 为了发挥最佳性能，请在 ~/.keras/keras.json 的 Keras 配置文件中设置 image_data_format=‘channels_last‘。

    模型和权值兼容 TensorFlow、Theano 和 CNTK。可以在你的 Keras 配置文件中指定数据格式。

  • 预训练权值基于 BSD 3-clause License。

• NASNet：

  • 在 ImageNet 上预训练的神经结构搜索网络模型（NASNet）。
  • 注意，该模型目前仅能在 TensorFlow 后端使用，因此它只支持 channels_last 的维度顺序（高度、宽度、通道），可以在 ~/.keras/keras.json Keras 配置文件中设置。NASNetLarge 默认的输入尺寸是 331x331，NASNetMobile 默认的输入尺寸是 224x224。
  • 预训练权值基于 Apache License。

keras_12_keras自带的Applications