介绍

作为人类，我们有能力将在一项任务中获得的知识迁移到另一项任务中去，任务越简单，利用知识就越容易。一些简单的例子是：

了解数学和统计学→学习机器学习
学会骑自行车→学骑摩托车

到目前为止，大多数机器学习和深度学习算法都是针对解决特定任务而设计的。如果分布发生变化，这些算法会再次被重建，并且很难重建和重新训练，因为它需要计算能力和大量的时间。

迁移学习是关于如何使用预训练好的网络，并将其应用到我们的定制任务中，将它从以前的任务中学到的知识进行迁移。

迁移学习我们可以采用VGG 16和ResNet等架构。这些架构经过了广泛的超参数调整，基于他们已经学到的，我们将这些知识应用到一个新的任务/模型中，而不是从头开始，这就是所谓的迁移学习。

一些迁移学习模型包括：

Xception
VGG16
VGG19
Resnet, ResnetV2
InceptionV3
MobileNet

应用迁移学习实现医学应用

在此应用程序中，我们将检测患者是否患有肺炎。我们使用Kaggle数据集进行分类。下面给出了数据集和代码的链接。

数据集链接：

https://www.kaggle.com/paultimothymooney/chest-xray-pneumonia

代码链接：

https://github.com/ajaymuktha/DeepLearning/blob/master/TransferLearning/transfer-learning.ipynb

数据集由一个训练集和测试集组成，子文件夹为normal（正常）和pneumonia（肺炎）。pneumonia文件夹有肺炎患者的胸部x光图像，normal文件夹中有正常的图像，即没有肺部疾病。

安装Tensorflow

如果你的电脑没有GPU，你可以使用google colab，或者你可以使用Jupyter Notebook。如果你使用你的系统，请升级pip，然后安装TensorFlow，如下所示

导入库

from keras.layers import Input, Lambda, Dense, Flatten
from keras.models import Model
from keras.Applications.vgg16 import VGG16
from keras.applications.vgg16 import preprocess_input
from keras.preprocessing import image
from keras.preprocessing.image import ImageDataGenerator
from keras.models import Sequential
import numpy as np
from glob import glob
import matplotlib.pyplot as plt

调整图像大小

这里，我们将调整所有图像的大小为224*224，因为我们使用VGG16模型，它接受224*224大小的图像。

# 调整图像大小
IMAGE_SIZE = [224, 224]

训练和测试路径

我们将指定训练和测试路径。

train_path = 'Datasets/train'
valid_path = 'Datasets/test'

导入VGG16

vgg = VGG16(input_shape=IMAGE_SIZE + [3], weights='imagenet', include_top=False)

在这里，我们将为我们的应用程序导入VGG16模型权重。我们应该向模型声明一个图像大小，我们已经在上一步中完成了，参数3表示图像将接受RGB图像，即彩色图像。

为了训练我们的模型，我们使用imagenet权重，include_top = False意味着它将从模型中删除最后的层。

训练

像VGG16、VGG19、Resnet等模型已经在成千上万的图像上进行了训练，这些权重用于对数千个类进行分类，因此我们使用这些模型权重对模型进行分类，因此我们不需要再次训练模型。

# 不要训练现有的权重
for layer in vgg.layers:
  layer.trainable = False

类数量

我们使用glob来找出模型中类的数量。train文件夹中的子文件夹数表示模型中的类数。

folders = glob('Datasets/train/*')

Flattening

不管我们从VGG16得到的输出是什么，我们都要把它展平，我们把VGG16的最后一层去掉，这样我们就可以保留我们自己的输出层了。我们用问题陈述中的类别数替换最后一层。我们使用softmax做我们的激活函数，我们把它附加到x上。

x = Flatten()(vgg.output)
prediction = Dense(len(folders), activation='softmax')(x)

模型

我们将把它包装成一个模型，其中输入指的是我们从VGG16得到的，而输出是指我们在上一步中创建的输出层。

model = Model(inputs=vgg.input, outputs=prediction)

model.summary()

上图是我们模型的摘要，在全连接层，我们有两个节点，因为两个不同的类别我们有肺炎和正常。

编译

我们使用categoricaa_cross_entropy作为损失，adam优化器和精度作为度量标准来编译我们的模型。

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

预处理

为了避免过度拟合，我们将对训练图像进行一些变换，如果不进行变换，训练集和测试集的精度会有很大的差异。

我们执行一些几何变换，比如水平翻转图像、垂直翻转图像、放大、缩小等等，我们应用它，这样我们的模型就不会过拟合我们的训练图像。我们使用ImageDataGenerator类执行上述方法。

我们不为测试集应用转换，因为我们只使用它们来评估，我们测试集的唯一任务就是重新调整图像大小，因为在训练部分，我们为图像定义了一个可以输入网络的目标大小。

from keras.preprocessing.image import ImageDataGenerator

train_datagen = ImageDataGenerator(rescale = 1./255,
                                   shear_range = 0.2,
                                   zoom_range = 0.2,
                                   horizontal_flip = True)

test_datagen = ImageDataGenerator(rescale = 1./255)

flow_from_directory将图像增强过程连接到我们的训练集。我们需要传递我们训练集的路径。Target size是需要输入神经网络的图像的大小。batch size定义32，class mode是分类（categorical）的，因为我们只有两个输出。

training_set = train_datagen.flow_from_directory('Datasets/train',
                                                 target_size = (224, 224),
                                                 batch_size = 32,
                                                 class_mode = 'categorical')

现在我们定义从目录导入测试映像的测试集。我们定义了参数，跟训练集一样。

test_set = test_datagen.flow_from_directory('Datasets/test',
                                            target_size = (224, 224),
                                            batch_size = 32,
                                            class_mode = 'categorical')

拟合模型

我们将拟合我们的模型，并声明epoch的数量为5，每个epoch的长度是训练集的长度，验证的长度是测试集的长度。

r = model.fit_generator(
  training_set,
  validation_data=test_set,
  epochs=5,
  steps_per_epoch=len(training_set),
  validation_steps=len(test_set)
)

很好，我们达到了97.7%的准确率和91.5%的验证准确率，这就是迁移学习的力量。希望你喜欢这篇关于迁移学习的教程。

迁移学习概论

介绍