使用keras内置的模型进行图片预测实例

下面是关于“使用Keras内置的模型进行图片预测实例”的完整攻略。

使用Keras内置的模型进行图片预测

在Keras中，我们可以使用内置的模型进行图片预测。下面是一个示例说明。

示例1：使用VGG16模型进行图片预测

from keras.applications.vgg16 import VGG16, preprocess_input, decode_predictions
from keras.preprocessing import image
import numpy as np

# 加载模型
model = VGG16(weights='imagenet')

# 加载图像
img_path = 'test.jpg'
img = image.load_img(img_path, target_size=(224, 224))

# 转换图像为数组
x = image.img_to_array(img)

# 扩展数组的维度
x = np.expand_dims(x, axis=0)

# 预处理图像
x = preprocess_input(x)

# 预测图像
preds = model.predict(x)

# 解码预测结果
results = decode_predictions(preds, top=3)[0]

# 打印预测结果
for result in results:
    print(result[1], result[2])

在这个示例中，我们首先使用VGG16()函数加载模型。我们使用image.load_img()函数加载图像。我们使用image.img_to_array()函数将图像转换为数组。我们使用np.expand_dims()函数扩展数组的维度。我们使用preprocess_input()函数预处理图像。我们使用model.predict()函数预测图像。我们使用decode_predictions()函数解码预测结果。我们打印预测结果。

示例2：使用ResNet50模型进行图片预测

from keras.applications.resnet50 import ResNet50, preprocess_input, decode_predictions
from keras.preprocessing import image
import numpy as np

# 加载模型
model = ResNet50(weights='imagenet')

# 加载图像
img_path = 'test.jpg'
img = image.load_img(img_path, target_size=(224, 224))

# 转换图像为数组
x = image.img_to_array(img)

# 扩展数组的维度
x = np.expand_dims(x, axis=0)

# 预处理图像
x = preprocess_input(x)

# 预测图像
preds = model.predict(x)

# 解码预测结果
results = decode_predictions(preds, top=3)[0]

# 打印预测结果
for result in results:
    print(result[1], result[2])

在这个示例中，我们首先使用ResNet50()函数加载模型。我们使用image.load_img()函数加载图像。我们使用image.img_to_array()函数将图像转换为数组。我们使用np.expand_dims()函数扩展数组的维度。我们使用preprocess_input()函数预处理图像。我们使用model.predict()函数预测图像。我们使用decode_predictions()函数解码预测结果。我们打印预测结果。

总结

在Keras中，我们可以使用内置的模型进行图片预测。我们可以使用VGG16()函数加载VGG16模型。我们可以使用ResNet50()函数加载ResNet50模型。我们可以使用image.load_img()函数加载图像。我们可以使用image.img_to_array()函数将图像转换为数组。我们可以使用np.expand_dims()函数扩展数组的维度。我们可以使用preprocess_input()函数预处理图像。我们可以使用model.predict()函数预测图像。我们可以使用decode_predictions()函数解码预测结果。