Keras：什么是VGG16中的model.inputs

Posted 2021-03-31

我最近开始玩keras和vgg16，我正在使用keras.applications.vgg16。

但在这里我提出了一个关于什么是model.inputs的问题，因为我看到其他人在https://github.com/keras-team/keras/blob/master/examples/conv_filter_visualization.py中使用它，尽管它没有初始化它

    ...
    input_img = model.input
    ...
    layer_output = layer_dict[layer_name].output
    if K.image_data_format() == 'channels_first':
        loss = K.mean(layer_output[:, filter_index, :, :])
    else:
        loss = K.mean(layer_output[:, :, :, filter_index])

    # we compute the gradient of the input picture wrt this loss
    grads = K.gradients(loss, input_img)[0]

我检查了keras网站，但它只说这是一个形状的输入张量（1,224,224,3）但我仍然不明白究竟是什么。这是来自ImageNet的图像吗？还是keras为keras模型提供的默认图像？

如果我对深度学习没有足够的理解，我很抱歉，但有人可以向我解释。谢谢

答案

(1,224,224,3)的4个维度分别是batch_size，image_width，image_height和image_channels。 (1,224,224,3)意味着VGG16模型接受形状1和三个通道（RGB）的批量大小的224x224（一次一个图像）。

有关batch以及batch size是什么的更多信息，您可以查看this Cross Validated问题。

回到VGG16，架构的输入是(1, 224, 224, 3)。这是什么意思？为了将图像输入网络，您需要：

1. 预处理它以达到（224,224）和3个通道（RGB）的形状
2. 将其转换为实际的形状矩阵（224,224,3）
3. 将需要网络的一批大小的各种图像组合在一起（在这种情况下，批量大小为1，但您需要在矩阵中添加一个维度，以获得（1,224,224,3）

完成此操作后，您可以将图像输入到模型中。

Keras提供很少的实用功能来完成这些任务。下面我将在文档中介绍Usage examples for image classification models中使用VGG16提取功能中显示的代码段的修改版本。

为了让它真正起作用，你需要一个名为jpg的任何大小的elephant.jpg。您可以使用此bash命令获取它：

wget https://upload.wikimedia.org/wikipedia/commons/f/f9/Zoorashia_elephant.jpg -O elephant.jpg   

为清晰起见，我将在图像预处理和模型预测中拆分代码：

加载图像

import numpy as np
from keras.preprocessing import image
from keras.applications.vgg16 import preprocess_input

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)

您可以沿途添加打印件以查看正在发生的情况，但这里有一个简短的摘要：

1. image.load_img()加载一个PIL图像，已经在RGB中并且已经将其重新整形为（224,224）
2. image.img_to_array()正在将此图像转换为形状矩阵（224,224,3）。如果访问x [0,0,0]，您将获得第一个像素的红色分量，作为0到255之间的数字
3. np.expand_dims(x, axis=0)正在添加第一个维度。 x后有形状(1, 224, 224, 3)
4. preprocess_input正在对经过imagenet训练的架构进行额外的预处理。从它的docstring（运行help(preprocess_input)）你可以看到它： 将图像从RGB转换为BGR，然后将相对于ImageNet数据集的每个颜色通道置零，不进行缩放

这似乎是ImageNet训练集的标准输入。

这就是预处理，现在您可以在预训练模型中输入图像并获得预测

预测

y_hat = base_model.predict(x)
print(y_hat.shape) # res.shape (1, 1000)

y_hat包含模型分配给该图像的1000个imagenet类中的每一个的概率。

为了获得类名和可读输出，keras也提供了一个实用功能：

from keras.applications.vgg16 import decode_predictions
decode_predictions(y_hat)

输出，我之前下载的Zoorashia_elephant.jpg图像：

[[('n02504013', 'Indian_elephant', 0.48041093),
  ('n02504458', 'African_elephant', 0.47474155),
  ('n01871265', 'tusker', 0.03912963),
  ('n02437312', 'Arabian_camel', 0.0038948185),
  ('n01704323', 'triceratops', 0.00062475674)]]

这似乎很不错！