更多深度文章，请关注：https://yq.aliyun.com/cloud

      几个月前，我写了一篇关于如何使用CNN（卷积神经网络）尤其是VGG16来分类图像的教程，该模型能够以很高的精确度识别我们日常生活中的1000种不同种类的物品。

      那时，模型还是和Keras包分开的，我们得从free-standing GitHub repo上下载并手动安装；现在模型已经整合进Keras包，原先的教程也已经不再适用，所以我决定写一篇新的教程。

      在教程中，你将学习到如何编写一个Python脚本来分类你自己的图像。

博客结构

      1. 简要说明一下这几个网络架构；

      2. 使用Python编写代码：载入训练好的模型并对输入图像分类；

      3. 审查一些样本图片的分类结果。

Keras中最新的深度学习图像分类器

Keras提供了五种开箱即用型的CNN：

      1. VGG16

      2. VGG19

      3. ResNet50

      4. Inception V3

      5. Xception

什么是ImageNet

      ImageNet曾是一个计算机视觉研究项目：（人工）打标签并分类成22000个不同物品种类。然而，当我们在讨论深度学习和CNN的时候，“ImageNet”意味着ImageNet Large Scale Visual Recognition Challenge，简写为ILSVRC。

      ILSVRC的目的是训练一个能够正确识别图像并分类（1000种）的模型：模型使用约120万张图像用作训练，5万张图像用作验证，10万张图像用作测试。

      这1000种分类涵盖了我们的日常生活接触到的东西，具体列表请点击。

      在图像分类上，ImageNet竞赛已经是计算机视觉分类算法事实上的评价标准——而自2012年以来，排行榜就被CNN和其它深度学习技术所统治。

      过去几年中ImageNet竞赛里表现优异的模型在Keras中均有收录。通过迁移学习，这些模型在ImageNet外的数据集中也有着不错的表现。

VGG16和VGG19

图1: VGG网络架构（source）

      VGG网络架构于2014年出现在Simonyan和Zisserman中的论文中,《Very Deep Convolutional Networks for Large Scale Image Recognition》。

      该架构仅仅使用堆放在彼此顶部、深度不断增加的3×3卷积层，并通过max pooling来减小volume规格；然后是两个4096节点的全连接层，最后是一个softmax分类器。“16”和“19”代表网络中权重层的数量（表2中的D和E列）:

      在2014年的时候，16还有19层网络还是相当深的，Simonyan和Zisserman发现训练VGG16和VGG19很有难度，于是选择先训练小一些的版本（列A和列C）。这些小的网络收敛后被用来作为初始条件训练更大更深的网络——这个过程被称为预训练（pre-training）。

      预训练很有意义，但是消耗大量时间、枯燥无味，在整个网络都被训练完成前无法进行下一步工作。

      如今大部分情况下，我们已经不再使用预训练，转而采用Xaiver/Glorot初始化或者MSRA初始化（有时也被称作He et al.初始化，详见《Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification》）。如果你感兴趣，可以从这篇文章中理解到weight initialization的重要性以及深度神经网络的收敛——《All you need is a good init, Mishkin and Matas (2015)》。

      VGGNet有两个不足：

      1. 训练很慢；

      2. weights很大。

      由于深度以及全连接节点数量的原因，VGG16的weights超过533MB，VGG19超过574MB，这使得部署VGG很令人讨厌。虽然在许多深度学习图像分类问题中我们仍使用VGG架构，但是小规模的网络架构更受欢迎（比如SqueezeNet, GoogleNet 等等）。

ResNet

      与AlexNet、OverFeat还有VGG这些传统顺序型网络架构不同，ResNet的网络结构依赖于微架构模组（micro-architecture modules，也被称为network-in-network architectures） 。

      微架构模组指构成网络架构的“积木”，一系列的微架构积木（连同你的标准CONV，POOL等）共同构成了大的架构（即最终的网络）。

      ResNet于2015年出现在He et al的论文《Deep Residual Learning for Image Recognition》中，它的出现很有开创性意义，证明极深的网络也可以通过标准SGD（以及一个合理的初始化函数）来训练：

图3: He et al.于2015年提出的残差模组

      在2016年的著作《Identity Mappings in Deep Residual Networks》中，他们证实了可以通过更新残差模组（residual module）来使用标志映射（identify mappings），达到提高精度的目的。

图4: （左）原始残差模组 （右）使用预激活（pre-activation）更新的残差模组

      尽管ResNet比VGG16还有VGG19要深，weights却要小（102MB），因为使用了全局平均池化（global average pooling），而不是全连接层。

Inception V3

      “Inception”微架构于2014年出现在Szegedy的论文中，《Going Deeper with Convolutions》。

图5: GoogleNet中使用的Inception模组原型

      Inception模组的目的是扮演一个“多级特征提取器”，在网络相同的模组内计算1×1、3×3还有5×5的卷积——这些过滤器的输出在输入至网络下一层之前先被堆栈到channel dimension。

      该架构的原型被称为GoogleNet，后继者被简单的命名为Inception vN，N代表Google推出的数字。

      Keras中的Inception V3架构来自于Szegedy et al.的后续论文，《Rethinking the Inception Architecture for Computer Vision(2015)》，该论文打算通过更新inception模组来提高ImageNet分类的准确度。

      Inception V3比VGG还有ResNet都要小，约96MB。

Xception

图6: Xception架构

      Xception是被François Chollet提出的, 后者是Keras库的作者和主要维护者。

      Xception是Inception架构的扩展，用depthwise独立卷积代替Inception标准卷积。

      关于Xception的出版物《Deep Learning with Depthwise Separable Convolutions》可以在这里找到。

      Xception最小仅有91MB。

SqueezeNet

Figure 7: “fire”模组，由一个“squeeze”和一个“expand”模组组成。(Iandola et al., 2016)

      仅仅4.9MB的SqueezeNet架构能达到AlexNet级别的精确度(~57% rank-1 and ~80% rank-5)，这都归功于“fire”模组的使用。然而SqueezeNet的训练很麻烦，我会在即将出版的书——《Deep Learning for Computer Vision with Python》——中介绍如何训练SqueezeNet来处理ImageNet数据集。

使用Python和Keras通过VGGNet，ResNet，Inception和Xception对图像分类

       新建一个文件，命名为classify_image.py，编辑插入下列代码

1	# import the necessary packages
2	from keras.applications import ResNet50
3	from keras.applications import InceptionV3
4	from keras.applications import Xception # TensorFlow ONLY
5	from keras.applications import VGG16
6	from keras.applications import VGG19
7	from keras.applications import imagenet_utils
8	from keras.applications.inception_v3 import preprocess_input
9	from keras.preprocessing.image import img_to_array
10	from keras.preprocessing.image import load_img
11	import numpy as np
12	import argparse
13	import cv2

       第2-13行导入需要的包，其中大部分都属于Keras。

       第2-6行分别导入ResNet，Inception V3, Xception, VGG16, 还有VGG19——注意Xception只兼容TensorFlow后端。

       第7行导入的image_utils包包含了一系列函数，使得对图片进行前处理以及对分类结果解码更加容易。

       余下的语句导入其它有用的函数，其中NumPy用于数学运算，cv2用于与OpenCV结合。

15	# construct the argument parse and parse the arguments
16	ap = argparse.ArgumentParser()
17	ap.add_argument("-i", "--image", required=True,
18	help="path to the input image")
19	ap.add_argument("-model", "--model", type=str, default="vgg16",
20	help="name of pre-trained network to use")
21	args = vars(ap.parse_args())

       --image 为希望进行分类的图像的路径。

       --model为选用的CNN的类别，默认为VGG16。

23	# define a dictionary that maps model names to their classes
24	# inside Keras
25	MODELS = {
26	"vgg16": VGG16,
27	"vgg19": VGG19,
28	"inception": InceptionV3,
29	"xception": Xception, # TensorFlow ONLY
30	"resnet": ResNet50
31	}
32	
33	# esnure a valid model name was supplied via command line argument
34	if args["model"] not in MODELS.keys():
35	raise AssertionError("The --model command line argument should "
36	"be a key in the `MODELS` dictionary")

       第25-31行定义了一个词典，将类映射到对应的模型名称。

       如果没有在该词典中找到“--model”，就会报错。

       输入一个图像到一个CNN中会返回一系列键值，包含标签及对应的概率。

       ImageNet采用的图像尺寸一般为224×224, 227×227, 256×256, and 299×299，但是并不是绝对。

       VGG16，VGG19以及ResNet接受224×224的输入图像， 而Inception V3和Xception要求为299×299，如下代码所示：

38	# initialize the input image shape (224x224 pixels) along with
39	# the pre-processing function (this might need to be changed
40	# based on which model we use to classify our image)
41	inputShape = (224, 224)
42	preprocess = imagenet_utils.preprocess_input
43	
44	# if we are using the InceptionV3 or Xception networks, then we
45	# need to set the input shape to (299x299) [rather than (224x224)]
46	# and use a different image processing function
47	if args["model"] in ("inception", "xception"):
48	inputShape = (299, 299)
49	preprocess = preprocess_input

       这里我们初始化inputShape为224×224像素，初始化预处理函数为keras.preprocess_input——执行mean subtraction运算。

       如果使用Inception或者Xception，inputShape需要改为299×299 像素，预处理函数改为separate pre-processing函数。

       下一步就是从磁盘载入网络架构的weights，并实例化模型：

51	# load our the network weights from disk (NOTE: if this is the
52	# first time you are running this script for a given network, the
53	# weights will need to be downloaded first -- depending on which
54	# network you are using, the weights can be 90-575MB, so be
55	# patient; the weights will be cached and subsequent runs of this
56	# script will be *much* faster)
57	print("[INFO] loading {}...".format(args["model"]))
58	Network = MODELS[args["model"]]
59	model = Network(weights="imagenet")

       注意：VGG16和VGG19的weights大于500MB，ResNet的约等于100MB，Inception和Xception的介于90-100MB之间。如果这是你第一次运行某个网络，这些weights会自动下载到你的磁盘。下载时间由你的网络速度决定，而且下载完成后，下一次运行代码不再需要重新下载。

61	# load the input image using the Keras helper utility while ensuring
62	# the image is resized to `inputShape`, the required input dimensions
63	# for the ImageNet pre-trained network
64	print("[INFO] loading and pre-processing image...")
65	image = load_img(args["image"], target_size=inputShape)
66	image = img_to_array(image)
67	
68	# our input image is now represented as a NumPy array of shape
69	# (inputShape[0], inputShape[1], 3) however we need to expand the
70	# dimension by making the shape (1, inputShape[0], inputShape[1], 3)
71	# so we can pass it through thenetwork
72	image = np.expand_dims(image, axis=0)
73	
74	# pre-process the image using the appropriate function based on the
75	# model that has been loaded (i.e., mean subtraction, scaling, etc.)
76	image = preprocess(image)

       第65行从磁盘载入输入图像，并使用提供的inputShape初始化图像的尺寸。

       第66行将图像从PIL/Pillow实例转换成NumPy矩阵，矩阵的shape为(inputShape[0], inputShape[1], 3)。

       因为我们往往使用CNN来批量训练/分类图像，所以需要使用np.expand_dims在矩阵中添加一个额外的维度，如第72行所示；添加后矩阵shape为(1, inputShape[0], inputShape[1], 3)。如果你忘记添加这个维度，当你的模型使用.predict时会报错。

       最后，第76行使用合适的预处理函数来执行mean subtraction/scaling。

       下面将我们的图像传递给网络并获取分类结果：

78	# classify the image
79	print("[INFO] classifying image with '{}'...".format(args["model"]))
80	preds = model.predict(image)
81	P = imagenet_utils.decode_predictions(preds)
82	
83	# loop over the predictions and display the rank-5 predictions +
84	# probabilities to our terminal
85	for (i, (imagenetID, label, prob)) in enumerate(P[0]):
86	print("{}. {}: {:.2f}%".format(i + 1, label, prob * 100))

       第80行调用.predict函数，并从CNN返回预测值。

       第81行的.decode_predictions函数将预测值解码为易读的键值对：标签、以及该标签的概率。

       第85行和86行返回最可能的5个预测值并输出到终端。

       案例的最后一件事，是通过OpenCV从磁盘将输入图像读取出来，在图像上画出最可能的预测值并显示在我们的屏幕上。

88	# load the image via OpenCV, draw the top prediction on the image,
89	# and display the image to our screen
90	orig = cv2.imread(args["image"])
91	(imagenetID, label, prob) = P[0][0]
92	cv2.putText(orig, "Label: {}, {:.2f}%".format(label, prob * 100),
93	(10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 0, 255), 2)
94	cv2.imshow("Classification", orig)
95	cv2.waitKey(0)

VGGNet, ResNet, Inception, 和Xception的分类结果

       所有的例子都是使用2.0以上版本的Keras以及TensorFlow后台做的。确保你的TensorFlow版本大于等于1.0，否则会报错。所有例子也都使用Theano后端做过测试，工作良好。

       案例需要的图片以及代码请前往原文获取。

       使用VGG16分类：

1	$ python classify_image.py --image images/soccer_ball.jpg --model vgg16

图8: 使用VGG16来分类足球(source)

       输出为：soccer_ball，精确度为93.43%。

       如果要使用VGG19，只需要替换下--network参数。

1	$ python classify_image.py --image images/bmw.png --model vgg19

图9: 使用VGG19来分类汽车(source)

       输出为：convertible（敞篷车），精确度为91.76%。然而，我们看一下其它的4个结果：sports car（跑车）， 4.98%（也对）；limousine（豪华轿车），1.06%（不正确，但也合理）；car wheel（车轮），0.75%（技术上正确，因为图中确实出现了轮子）。

       从下面的例子，我们可以看到类似的结果：

1	$ python classify_image.py --image images/clint_eastwood.jpg --model resnet

图10: 使用ResNet分类(source).

       ResNet成功将图像分类为revolver（左轮手枪），精确度69.79%。有趣的是rifle（步枪）为7.74%，assault rifle（突击步枪）为5.63%。考虑到revolver的观察角度还有相对于手枪来说巨大的枪管，CNN得出这么高的概率也是合理的。

1	$ python classify_image.py --image images/jemma.png --model resnet

图11: 使用ResNet对狗进行分类

       狗的种类被正确识别为beagle（小猎兔狗），精确度94.48%。

       然后我试着分类《加勒比海盗》中的图片：

1	$ python classify_image.py --image images/boat.png --model inception

      

图12: 使用ResNet对沉船进行分类(source)

       尽管ImageNet中有“boat”（船）这个类别，Inception网络仍然正确地将该场景识别为“（ship） wreck”（沉船），精确度96.29%。其它的标签，比如“seashore”（海滩）, “canoe”（独木舟）, “paddle”（桨）,还有“breakwater”（防波堤），也都相关，在特定的案例中也绝对正确。

       下一个例子是我办公室的长沙发，使用Inception进行分类。

1	$ python classify_image.py --image images/office.png --model inception

图13: 使用Inception V3分类

       Inception准确地识别出图中有“table lamp”（台灯），精确度69.68%。其它的标签也完全正确：“studio couch”（两用沙发），“window shade”（窗帘), “lampshade”（灯罩）, 还有“pillow”（枕头）。

       下面是Xception：

1	$ python classify_image.py --image images/scotch.png --model xception

图14: 使用Xception分类(source)

       Xception将图片正确分类为“barrels”（桶）。

       最后一个例子使用VGG16：

1	$ python classify_image.py --image images/tv.png --model vgg16

图15: 使用VGG16分类。

       图片来自于《巫师3：狂猎》。VGG16的第一个预测值为“home theatre”（家庭影院），前5个预测中还有一个“television/monitor”（电视/显示器），预测很合理。

       正如你从上述例子中所看到的，使用IamgeNet数据集训练的模型能够准确识别大量日常生活中的物品。希望你能在自己的项目中用到这些代码。

之后呢？

       如果你想从头开始训练自己的深度学习网络，该怎么做？

       我的新书能够帮助你做到这些，从一个为深度学习的菜鸟成长为专家。

总结

在今天的博客中，我们回顾了5种卷积神经网络（CNN）：

       1. VGG16

       2. VGG19

       3. ResNet50

       4. Inception V3

       5. Xception

       然后是使用这些架构对你自己的图像进行分类。

       如果你对深度学习还有卷积神经网络有更多的兴趣，一定要看一看我的新书《Deep Learning for Computer Vision with Python》，现在就可以进行订购。

博客代码下载。

关于作者：

       Adrian Rosebrock，企业家兼博士，推出了两个成功的图像搜索引擎：ID My Pill和Chic Engine。

---

本文由北邮 @爱可可-爱生活 老师推荐， 阿里云云栖社区 组织翻译。

文章原标题《ImageNet: VGGNet, ResNet, Inception, and Xception with Keras》，作者：Adrian Rosebrock，译者：杨辉，审阅：董昭男，附件为原文的pdf。

文章为简译，更为详细的内容，请查看原文