【图像识别Bert版】运用AI解决样本过少，提高图像识别效果VGG16预训练基

现实中，存在一些深度学习任务，某些样本的数据集样本量较少，面对这样的情况，我们该怎么做呢？
通常有如下几种方式：
1数据增强，通过图像裁剪，水平翻转等方式丰富有限的样本集。


2使用在大规模多种类数据集上训练好的AI模型，例如VGG16，
ResNet，作为预训练模型，使得小样本集在通用的特征提取器运作。


3由于数据集较少，在构建训练模型时，可以加入Dropout层，避免
样本局限带来的过拟合问题。


4在测试数据集上，进行数据匹配获取更多维度特征，填充标
签，丰富测试数据集质量，迭代引擎规则+预训练模型
训练新分类器后的分类模型。

在使用预训练模型时，请注意如下：
预训练模型的某个卷积层的通用性（以及可复用性）取决于该层在模型中的深度。模型中更靠近底部的层提取的是局部的、高度通用的特征图（比如视觉边缘、颜色和纹理），近顶部层则是越接近任务指向型的更加宏观整体的特定分类（比如识别“猫耳朵”或“狗眼睛”）。 因此，如果你的新数据集与原始模型训练的数据集有很大差异，那么最好只使用模型的前几层来做特征提取，而不是使用整个卷积基。

预训练模型的选择：
基于ImageNet 数据集上预训练得到的深度学习模型，以下都可以参考作为我们今天的预训练模型：


Xception
Inception V3
ResNet50
VGG16
VGG19

以上模型都是内置于keras.applications 中的图像分类模型，使用时只要调用keras相应模块。


下面以使用VGG16作为预训练模型，在小样本集上训练猫狗分类任务为实战，代码如下：
首先实例化一个VGG16模型出来，由于VGG16 也内置于 Keras 中，我们从 keras.applications类 模块中导入，然后进行实例


from keras.applications import VGG16
conv_base = VGG16(weights='imagenet',
                  include_top=False,
                  input_shape=(150, 150, 3))