一、ResNet

1.导入包

import tensorflow as tf
from tensorflow.keras import layers, models, datasets, optimizers

optimizers是用于更新模型参数以最小化损失函数的算法

2.加载数据集、归一化、转为独热编码的内容一致

3.增加颜色通道

train_images = train_images[..., tf.newaxis].astype("float32")
test_images = test_images[..., tf.newaxis].astype("float32")

在train_images和test_images最后一个维度增加一个新的维度
这两行代码还将图像数据转换为浮点数类型

4.定义一个用于图像预处理的模型

4.1创造模型

preprocessing = models.Sequential([

4.2添加一个卷积层，该层有3个1x1的卷积核，激活函数为relu，并且指定了输入形状为28x28像素的单通道图像

layers.Conv2D(3, (1, 1), activation='relu', input_shape=(28, 28, 1)),

4.3 将图像尺寸增加到56x56

    layers.UpSampling2D((2, 2)), 
])

5.应用预处理模型到训练和测试图像上

train_images = preprocessing(train_images)
test_images = preprocessing(test_images)

6.加载ResNet50模型并冻结所有层

base_model=tf.keras.applications.ResNet50(weights='imagenet',include_top=False,input_shape=(56, 56, 3))

ResNet50是一个预训练的卷积神经网络模型，
参数1：加载模型的权重
参数2：是否包括模型顶部的全连接层，设置False意味着不包括这些层，由此可以得到模型的特征提取部分
参数3：输入图像的尺寸
base_model.trainable = False
使ResNet50模型的所有层都不可训练

7.创建模型

model = models.Sequential([

7.1放在模型的第一层添加到序列中，用于提取图像特征

base_model,

7.2在Keras中添加的一个全局平均池化层

layers.GlobalAveragePooling2D(),

7.3在Keras中添加的一个全连接层，使用softmax为激活函数

    layers.Dense(10, activation='softmax')
])

8.编译模型

model.compile(optimizer=optimizers.Adam(),
              loss='categorical_crossentropy',
              metrics=['accuracy'])

---

• 和上一个博客的模型的内容一样，此处省略

---

9.训练模型

model.fit(train_images, train_labels, epochs=10, batch_size=64, validation_data=(test_images, test_labels))

结果：

10.保存文件

model.save('ResNet.h5')

结果：