别磨叽，学完这篇你也是图像识别专家了

图像识别是当今深度学习的主流应用，而Keras是入门最容易、使用最便捷的深度学习框架，所以搞图像识别，你也得强调速度，不能磨叽。本文让你在最短时间内突破五个流行网络结构，迅速达到图像识别技术前沿。

作者 | Adrian Rosebrock

译者 | 郭红广

编辑 | 鸽子

几个月前，我写了一篇关于如何使用已经训练好的卷积（预训练）神经网络模型（特别是VGG16）对图像进行分类的教程，这些已训练好的模型是用Python和Keras深度学习库对ImageNet数据集进行训练得到的。

这些已集成到（先前是和Keras分开的）Keras中的预训练模型能够识别1000种类别对象（例如我们在日常生活中见到的小狗、小猫等），准确率非常高。

先前预训练的ImageNet模型和Keras库是分开的，需要我们克隆一个单独github repo，然后加到项目里。使用单独的github repo来维护就行了。

不过，在预训练的模型（VGG16、VGG19、ResNet50、Inception V3 与 Xception）完全集成到Keras库之前(不需要克隆单独的备份)，我的教程已经发布了，通过下面链接可以查看集成后的模型地址。我打算写一个新的教程，演示怎么使用这些最先进的模型。

https://github.com/fchollet/keras/blob/master/keras/applications/vgg16.py

具体来说，是先写一个Python脚本，能加载使用这些网络模型，后端使用TensorFlow或Theano，然后预测你的测试集。

Keras上的VGGNet、ResNet、Inception与Xception

在本教程前半部分，我们简单说说Keras库中包含的VGG、ResNet、Inception和Xception模型架构。

然后，使用Keras来写一个Python脚本，可以从磁盘加载这些预训练的网络模型，然后预测测试集。

最后，在几个示例图像上查看这些分类的结果。

Keras上最好的深度学习图像分类器

下面五个卷积神经网络模型已经在Keras库中，开箱即用：

1. VGG16
2. VGG19
3. ResNet50
4. Inception V3
5. Xception

我们从ImageNet数据集的概述开始，之后简要讨论每个模型架构。

ImageNet是个什么东东

ImageNet是一个手动标注好类别的图片数据库(为了机器视觉研究)，目前已有22,000个类别。

然而，当我们在深度学习和卷积神经网络的背景下听到“ImageNet”一词时，我们可能会提到ImageNet视觉识别比赛，称为ILSVRC。

这个图片分类比赛是训练一个模型，能够将输入图片正确分类到1000个类别中的某个类别。训练集120万，验证集5万，测试集10万。

这1,000个图片类别是我们在日常生活中遇到的，例如狗，猫，各种家居物品，车辆类型等等。ILSVRC比赛中图片类别的完整列表如下：

http://image-net.org/challenges/LSVRC/2014/browse-synsets

在图像分类方面，ImageNet比赛准确率已经作为计算机视觉分类算法的基准。自2012年以来，卷积神经网络和深度学习技术主导了这一比赛的排行榜。

在过去几年的ImageNet比赛中，Keras有几个表现最好的CNN（卷积神经网络）模型。这些模型通过迁移学习技术（特征提取,微调(fine-tuning)），对ImaegNet以外的数据集有很强的泛化能力。

VGG16 与 VGG19

在2014年，VGG模型架构由Simonyan和Zisserman提出，在“极深的大规模图像识别卷积网络”（Very Deep Convolutional Networks for Large Scale Image Recognition）这篇论文中有介绍。

论文地址：https://arxiv.org/abs/1409.1556

VGG模型结构简单有效，前几层仅使用3×3卷积核来增加网络深度，通过max pooling（最大池化）依次减少每层的神经元数量，最后三层分别是2个有4096个神经元的全连接层和一个softmax层。

“16”和“19”表示网络中的需要更新需要weight（要学习的参数）的网络层数（下面的图2中的列D和E）,包括卷积层，全连接层，softmax层：

极深的大规模图像识别卷积网络论文的图表1, Simonyan & Zisserman (2014)

在2014年，16层和19层的网络被认为已经很深了，但和现在的ResNet架构比起来已不算什么了，ResNet可以在ImageNet上做到50-200层的深度，而对于CIFAR-10了来说可以做到1000+的深度。

Simonyan和Zisserman发现训练VGG16和VGG19有些难点（尤其是深层网络的收敛问题）。因此为了能更容易进行训练，他们减少了需要更新weight的层数（图2中A列和C列）来训练较小的模型。

较小的网络收敛后，用较小网络学到的weight初始化更深网络的weight，这就是预训练。这样做看起没有问题，不过预训练模型在能被使用之前，需要长时间训练。

在大多数情况下，我们可以不用预训练模型初始化，而是更倾向于采用Xaiver/Glorot初始化或MSRA初始化。读All you need is a good init这篇论文可以更深了解weight初始化和深层神经网络收敛的重要性。

MSRA初始化：https://arxiv.org/abs/1502.01852 All you need is a good init: https://arxiv.org/abs/1511.06422

不幸的是，VGG有两个很大的缺点：

1. 网络架构weight数量相当大，很消耗磁盘空间。
2. 训练非常慢

由于其全连接节点的数量较多，再加上网络比较深，VGG16有533MB+，VGG19有574MB。这使得部署VGG比较耗时。我们仍然在很多深度学习的图像分类问题中使用VGG，然而，较小的网络架构通常更为理想（例如SqueezeNet、GoogLeNet等）。

ResNet（残差网络）

与传统的顺序网络架构（如AlexNet、OverFeat和VGG）不同，其加入了y=x层(恒等映射层),可以让网络在深度增加情况下却不退化。下图展示了一个构建块(build block)，输入经过两个weight层，最后和输入相加，形成一个微架构模块。ResNet最终由许多微架构模块组成。

在2015年的“Deep Residual Learning for Image Recognition”论文中，He等人首先提出ResNet，ResNet架构已经成为一项有意义的模型，其可以通过使用残差模块和常规SGD（需要合理的初始化weight）来训练非常深的网络：

论文地址：https://arxiv.org/abs/1512.03385

其在2016年后发表的文章“Identity Mappings in Deep Residual Networks”中表明，通过使用identity mapping（恒等映射）来更新残差模块，可以获得很高的准确性。

论文地址：https://arxiv.org/abs/1603.05027

（左）初始残差模型（右）升级后的残差模型

需要注意的是，Keras库中的ResNet50（50个weight层）的实现是基于2015年前的论文。

即使是RESNET比VGG16和VGG19更深，模型的大小实际上是相当小的，用global average pooling（全局平均水平池）代替全连接层能降低模型的大小到102MB。

Inception V3

“Inception”微架构由Szegedy等人在2014年论文"Going Deeper with Convolutions"中首次提出。

论文地址：https://arxiv.org/abs/1409.4842

GoogLeNet中所用的原始Inception模型

Inception模块的目的是充当“多级特征提取器”，使用1×1、3×3和5×5的卷积核，最后把这些卷积输出连接起来，当做下一层的输入。

这种架构先前叫GoogLeNet，现在简单地被称为Inception vN，其中N指的是由Google定的版本号。Keras库中的Inception V3架构实现基于Szegedy等人后来写的论文"Rethinking the Inception Architecture for Computer Vision"，其中提出了对Inception模块的更新，进一步提高了ImageNet分类效果。Inception V3的weight数量小于VGG和ResNet，大小为96MB。

论文地址：https://arxiv.org/abs/1512.00567

Xception

Xception架构

Xception是由François Chollet本人（Keras维护者）提出的。Xception是Inception架构的扩展，它用深度可分离的卷积代替了标准的Inception模块。

原始论文“Xception: Deep Learning with Depthwise Separable Convolutions”在这里：

论文地址：https://arxiv.org/abs/1610.02357

Xception的weight数量最少，只有91MB。

至于说SqueezeNet?

SqueezeNet的“火”模型

SqueezeNet架构通过使用squeeze卷积层和扩展层（1x1和3X3卷积核混合而成）组成的fire moule获得了AlexNet级精度,且模型大小仅4.9MB。

虽然SqueezeNet模型非常小，但其训练需要技巧。在我即将出版的书“深度学习计算机视觉与Python”中，详细说明了怎么在ImageNet数据集上从头开始训练SqueezeNet。

用Python和上述Keras库来给图像分类

让我们学习如何使用Keras库中预训练的卷积神经网络模型进行图像分类吧。

新建一个文件，命名为classify_image.py，并输入如下代码：

第2-13行的作用是导入所需Python包，其中大多数包都属于Keras库。

具体来说，第2-6行分别导入ResNet50，Inception V3，Xception，VGG16和VGG19。

需要注意，Xception网络只能用TensorFlow后端（如果使用Theano后端,该类会抛出错误）。

第7行，使用imagenet_utils模块，其有一些函数可以很方便的进行输入图像预处理和解码输出分类。

除此之外，还导入的其他辅助函数，其次是NumPy进行数值处理，cv2进行图像编辑。

接下来，解析命令行参数：

我们只需要一个命令行参数--image，这是要分类的输入图像的路径。

还可以接受一个可选的命令行参数--model，指定想要使用的预训练模型，默认使用vgg16。

通过命令行参数得到指定预训练模型的名字，我们需要定义一个Python字典，将模型名称(字符串)映射到其真实的Keras类。

第25-31行定义了MODELS字典，它将模型名称字符串映射到相应的类。

如果在MODELS中找不到--model名称，将抛出AssertionError（第34-36行）。

卷积神经网络将图像作为输入，然后返回与类标签相对应的一组概率作为输出。

经典的CNN输入图像的尺寸，是224×224、227×227、256×256和299×299，但也可以是其他尺寸。

VGG16，VGG19和ResNet均接受224×224输入图像，而Inception V3和Xception需要299×299像素输入，如下面的代码块所示：

将inputShape初始化为224×224像素。我们还使用函数preprocess_input执行平均减法。

然而，如果使用Inception或Xception，我们需要把inputShape设为299×299像素，接着preprocess_input使用separate pre-processing function，图片可以进行不同类型的缩放。

下一步是从磁盘加载预训练的模型weight(权重)并实例化模型:

第58行，从--model命令行参数得到model的名字，通过MODELS词典映射到相应的类。

第59行，然后使用预训练的ImageNet权重实例化卷积神经网络。

注意：VGG16和VGG19的权重文件大于500MB。ResNet为〜100MB，而Inception和Xception在90-100MB之间。如果是第一次运行此脚本，这些权重文件自动下载并缓存到本地磁盘。根据您的网络速度，这可能需要一些时间。然而，一旦权重文件被下载下来，他们将不需要重新下载，再次运行classify_image.py会非常快。

模型现在已经加载并准备好进行图像分类 - 我们只需要准备图像进行分类：

第65行，从磁盘加载输入图像，inputShape调整图像的宽度和高度。

第66行，将图像从PIL/Pillow实例转换为NumPy数组。

输入图像现在表示为(inputShape[0],inputShape[1],3)的NumPy数组。

第72行，我们通常会使用卷积神经网络分批对图像进行训练/分类，因此我们需要通过np.expand_dims向矩阵添加一个额外的维度(颜色通道)。

经过np.expand_dims处理，image具有的形状(1,inputShape[0],inputShape[1],3)。如没有添加这个额外的维度，调用.predict会导致错误。

最后，第76行调用相应的预处理功能来执行数据归一化。

经过模型预测后，并获得输出分类：

第80行，调用CNN中.predict得到预测结果。根据这些预测结果，将它们传递给ImageNet辅助函数decode_predictions，会得到ImageNet类标签名字(id转换成名字，可读性高)以及与标签相对应的概率。

然后，第85行和第86行将前5个预测(即具有最大概率的标签)输出到终端 。

在我们结束示例之前，我们将在此处执行的最后一件事情，通过OpenCV从磁盘加载我们的输入图像，在图像上绘制＃1预测，最后将图像显示在我们的屏幕上：

查看预训练模型的实际运行，请看下节。

VGGNet、ResNet、Inception与Xception的分类结果

这篇博文中的所有示例都使用Keras>=2.0和TensorFlow后端。如果使用TensorFlow，请确保使用版本>=1.0，否则将遇到错误。我也用Theano后端测试了这个脚本，并确认可以使用Theano。

安装TensorFlow/Theano和Keras后，点击底部的源代码+示例图像链接就可下载。

现在我们可以用VGG16对图像进行分类：

我们可以看到VGG16正确地将图像分类为“足球”，概率为93.43％。

要使用VGG19，我们只需要更改--network命令行参数：

VGG19能够以91.76％的概率将输入图像正确地分类为“convertible”。看看其他top-5预测：“跑车”的概率为4.98％（其实是轿车），“豪华轿车”为1.06％（虽然不正确但看着合理），“车轮”为0.75％（从模型角度来说也是正确的,因为图像中有车轮）。

在以下示例中，我们使用预训练ResNet架构，可以看下top-5概率值：

ResNet正确地将ClintEastwood持枪图像分类为“左轮手枪”，概率为69.79％。在top-5中还有，“步枪”为7.74％，“冲锋枪”为5.63％。由于"左轮手枪"的视角，枪管较长，CNN很容易认为是步枪，所以得到的步枪也较高。

下一个例子用ResNet对狗的图像进行分类：

狗的品种被正确识别为“比格犬”，具有94.48％的概率。

然后，我尝试从这个图像中分出《加勒比海盗》演员约翰尼・德普：

虽然ImageNet中确实有一个“船”类，但有趣的是，Inception网络能够正确地将场景识别为“（船）残骸”，且有具有96.29％概率的。所有其他预测标签，包括 “海滨”，“独木舟”，“桨”和“防波堤”都是相关的，在某些情况下也是绝对正确的。

对于Inception网络的另一个例子，我给办公室的沙发拍摄了照片：

Inception正确地预测出图像中有一个“桌灯”，概率为69.68％。其他top-5预测也是完全正确的，包括“工作室沙发”、“窗帘”（图像的最右边，几乎不显眼）“灯罩”和“枕头”。

Inception虽然没有被用作对象检测器，但仍然能够预测图像中的前5个对象。卷积神经网络可以做到完美的对物体进行识别！

再来看下Xception：

这里我们有一个苏格兰桶的图像，尤其是我最喜欢的苏格兰威士忌，拉加维林。Xception将此图像正确地分类为 “桶”。

最后一个例子是使用VGG16进行分类：

几个月前，当我打完《巫师 III》（The Wild Hunt）这局游戏之后，我给显示器照了这个照片。VGG16的第一个预测是“家庭影院”，这是一个合理的预测，因为top-5预测中还有一个“电视/监视器”。

从本文章的示例可以看出，在ImageNet数据集上预训练的模型能够识别各种常见的日常对象。你可以在你自己的项目中使用这个代码！

总结

简单回顾一下，在今天的博文中，我们介绍了在Keras中五个卷积神经网络模型：

1. VGG16
2. VGG19
3. ResNet50
4. Inception V3
5. Xception

此后，我演示了如何使用这些神经网络模型来分类图像。希望本文对你有帮助。

原文地址：

http://www.pyimagesearch.com/2017/03/20/imagenet-vggnet-resnet-inception-xception-keras/

AI100点评：

这篇只是介绍了怎么使用Keras中预训练模型，虽然直接使用这些模型能得到和专家级别同样的效果，但模型的具体架构，怎么调参，背后思想等一些知识还需要读者去参考其他资料。我建议先直接去读Keras中这些代码，遇到不了解的知识点再去查找其他资料。