keras调用预训练模型分类

在网上看到一篇博客，地址https://www.pyimagesearch.com/2017/03/20/imagenet-vggnet-resnet-inception-xception-keras/，是关于利用keras上预训练的模型进行图像分类的示例，于是我也自己动手运行了一下，效果，一般。

上代码

from keras.applications import ResNet50
from keras.applications import InceptionV3
from keras.applications import Xception # TensorFlow ONLY
from keras.applications import VGG16
from keras.applications import VGG19
from keras.applications import imagenet_utils
from keras.applications.inception_v3 import preprocess_input
from keras.preprocessing.image import img_to_array
from keras.preprocessing.image import load_img
import numpy as np

model_xception = Xception(weights="imagenet")
model_vgg16 = VGG16(weights="imagenet")
model_vgg19 = VGG19(weights="imagenet")
model_resnet50 = ResNet50(weights = "imagenet")
model_inceptionv3 = InceptionV3(weights="imagenet")

image = load_img("./images/cat.jpeg",target_size=(224,224))
image = img_to_array(image)
image = np.expand_dims(image, axis=0)

preds = model_xception.predict(image)
P = imagenet_utils.decode_predictions(preds)
print(P)

代码与博客相比有轻微改动，所做的事很简单，就是加载模型及权重，第一次加载权重的时候会从网上下载，速度还是挺快的，vgg16和vgg19稍慢，因为两个的权重都有五百多兆，其它模型在90兆左右。然后加载图像，注意拓展一下维度（也就是代表样本数的维度），之后就可以调用predic方法预测，输出十个（1，1000）的张量，最后调用imagenet_utils模块将输出与类别建立映射。

看下结果，加载一张猫的图片，vgg与resnet都可以判断出猫类，inception和xception分别预测pitcher和mixing_bowl，有点离谱。

再加载一个足球的图片，vgg与resnet都正确预测足球，inception与xception预测abacus和pitcher，无语。

再加载一张哈士奇，vgg预测爱斯基摩犬，resnet预测哈士奇，另外两个依然很迷。

此时，我无比怀疑inception系列到底是怎么在imagenet上取得好成绩的，这预测根本不靠谱。

后来，我注意到对于inception或xception，原博客有一步预处理，是inception自带的，经过预处理后，一下子就很准确了。具体来说就是下面这条语句。