在網上看到一篇博客，地址https://www.pyimagesearch.com/2017/03/20/imagenet-vggnet-resnet-inception-xception-keras/，是關於利用keras上預訓練的模型進行圖像分類的示例，於是我也自己動手運行了一下，效果，一般。

上代碼

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)

代碼與博客相比有輕微改動，所做的事很簡單，就是加載模型及權重，第一次加載權重的時候會從網上下載，速度還是挺快的，vgg16和vgg19稍慢，因為兩個的權重都有五百多兆，其它模型在90兆左右。然後加載圖像，註意拓展一下維度（也就是代表樣本數的維度），之後就可以調用predic方法預測，輸出十個（1，1000）的張量，最後調用imagenet_utils模塊將輸出與類別建立映射。

看下結果，加載一張貓的圖片，vgg與resnet都可以判斷出貓類，inception和xception分別預測pitcher和mixing_bowl，有點離譜。

再加載一個足球的圖片，vgg與resnet都正確預測足球，inception與xception預測abacus和pitcher，無語。

再加載一張哈士奇，vgg預測愛斯基摩犬，resnet預測哈士奇，另外兩個依然很迷。

此時，我無比懷疑inception系列到底是怎麽在imagenet上取得好成績的，這預測根本不靠譜。

後來，我註意到對於inception或xception，原博客有一步預處理，是inception自帶的，經過預處理後，一下子就很準確了。具體來說就是下面這條語句。

image = preprocess(image)

裏面究竟發生了什麽，以後我會研究一下。

keras調用預訓練模型分類