文章目录
1.VGG19网络结构：2.主文件：main.py:1.VGG19网络结构：
注意：我们输出第四层的block4_pool层的特征：（读者可以根据这个输出其他层的特征也可以）
2.主文件：main.py:
import osimport numpy as npfrom tensorflow.keras.models import Modelimport tensorflow.keras.applications.vgg19from tensorflow.keras.preprocessing import imagefrom tensorflow.keras.applications.vgg19 import preprocess_input,decode_predictionsdef load_VGG19():model_VGG19=tensorflow.keras.applications.vgg19.VGG19(weights='imagenet')return model_VGG19def ExtractVGG19():model_vgg19=load_VGG19()block1_conv1_model=Model(inputs=model_vgg19.input,outputs=model_vgg19.get_layer('block4_pool').output)img_path='images/train/dog/1.jpg'#导入图片并将图像剪裁为299*299img=image.load_img(img_path,target_size=(224,224))#将加载的图像转换为向量img=image.img_to_array(img)#对图像进行升维img=np.expand_dims(img,axis=0)#对图像进行处理img_out=preprocess_input(img)#输出卷积层的第一个卷积模块block1_conv1_out=block1_conv1_model.predict(img_out)#打印网络结构model_vgg19.summary()print('block1_conv1: {}'.format(block1_conv1_out))print('block1_conv1_shape: {}'.format(np.shape(block1_conv1_out)))if __name__ == '__main__':print('Pycharm')ExtractVGG19()
