使用tensorflow2.3-keras卷积神经网络CNN实现猫狗识别-迁移学习源码案例+数据集+注释+离线模型

Oracle行链接和行迁移学习手册

使用 tensorflow 实现迁移学习，对应该文章，其中包含了完整的源代码。可供学习。

学习视觉相似度对于各种视觉任务至关重要，如图像聚类、人脸检测或图像检索，从而为日常应用奠定基础，如智能手机上的图像集合的智能排列、浏览器中的网络规模的图像搜索或在线购物时推荐产品。今天，学习捕捉相似度的视觉表示的主要方法是深度度量学习，它专门针对从新颖的、看不见的类中检索对象和图像。此外，相似性学习与对比学习密切相关，对比学习是自监督学习的主导方法，分别是迁移学习。 在本教程中，我们将深入介绍深度度量学习(DML)的领先学习范式，以及如何实际评估其(超出分布)泛化的未来方向。具体来说，本教程将涵盖以下主题: (i) DML目标函数的概况，(ii)先进的和上下文相关的DML公式，(iii) DML中数据采样的重要性，(iv)公平和现实地评估DML方法的最佳实践，最后，(v)我们将DML与计算机视觉和模式识别的相关领域联系起来，如对比学习，少样本学习，迁移学习和人脸识别。

简单的预实验，教师模型4个隐藏层，学生模型2个隐藏层。另外可视化知识蒸馏的温度系数T的大小对知识蒸馏的影响。

本人依据Densenet121预训练模型进行迁移学习，可识别柑橘叶片的正常、缺镁、黄龙病三种状态，最高准确率可达99.3%，可通过tensorboard进行训练数据图像的获取。

5.2 基于特征迁移 基于特征的迁移方法 (Feature based Transfer Learning) 是指将通过特征变换的方 式互相迁移 [Liu et al., 2011, Zheng et al., 2008, Hu and Yang, 2011]，来减少源域和目标 域之间的差距；或者将源域和目标域的数据特征变换到统一特征空间中 [Pan et al., 2011, Long et al., 2014b, Duan et al., 2012]，然后利用传统的机器学习方法进行分类识别。根据 特征的同构和异构性，又可以分为同构和异构迁移学习。图 15很形象地表示了两种基于特 征的迁移学习方法。 图 15: 基于特征的迁移学习方法示意图 基于特征的迁移学习方法是迁移学习领域中最热门的研究方法，这类方法通常假设源 域和目标域间有一些交叉的特征。香港科技大学的 Pan 等人 [Pan et al., 2011] 提出的迁移 成分分析方法 (Transfer Component Analysis, TCA)是其中较为典型的一个方法。该方法的 核心内容是以最大均值差异 (Maximum Mean Discrepancy, MMD) [Borgwardt et al., 2006] 作为度量准则，将不同数据领域中的分布差异最小化。加州大学伯克利分校的 Blitzer 等 人 [Blitzer et al., 2006] 提出了一种基于结构对应的学习方法 (Structural Corresponding Learning, SCL)，该算法可以通过映射将一个空间中独有的一些特征变换到其他所有空间 中的轴特征上，然后在该特征上使用机器学习的算法进行分类预测。清华大学龙明盛等 人 [Long et al., 2014b]提出在最小化分布距离的同时，加入实例选择的迁移联合匹配 (Tran- fer Joint Matching, TJM) 方法，将实例和特征迁移学习方法进行了有机的结合。澳大利亚 卧龙岗大学的 Jing Zhang 等人 [Zhang et al., 2017a] 提出对于源域和目标域各自训练不同 的变换矩阵，从而达到迁移学习的目标。 近年来，基于特征的迁移学习方法大多与神经网络进行结合 [Long et al., 2015a, Long et al., 2016, Long et al., 2017, Sener et al., 2016]，在神经网络的训练中进行学习特征和模型的迁移。由 于本文的研究重点即是基于特征的迁移学习方法，因此，我们在本小节对这类方法不作过多 介绍。在下一小节中，我们将从不同的研究层面，系统地介绍这类工作。 5.3 基于模型迁移 基于模型的迁移方法 (Parameter/Model based Transfer Learning) 是指从源域和目 标域中找到他们之间共享的参数信息，以实现迁移的方法。这种迁移方式要求的假设条 件是：源域中的数据与目标域中的数据可以共享一些模型的参数。其中的代表性工作主要 19

基于迁移学习的语音克隆系统包含数据集及教程

基于深度学习的迁移学习音乐韵律生成系统包含数据集与预训练模型教程

1. 使用迁移学习+集成学习的思想来实现对于常见水果的好坏进行分类，使用Pytorch官方基于imageNet所训练好成熟框架体系，选择了机器学习界十分流行的四大网络架构densenet， googlenet，resnet，efficientnet使用迁移学习的办法，只修改其输出层的相关参数,进行冻结训练，在迭代训练过10次之后，对模型进行了解冻训练，使其可以修改整个网络结构参数，让我们的网络结构更加的贴合我们实际所使用的分类图像，同时四个网络训练框架训练完成之后，采用集成学习的思想，将四个框架模型进行了集成得到了最终的网络架构 2. 同时为了提升数据的泛化性，对实验数据进行了随机的裁剪，色调调节，归一化标准化，随机放射变化等一系列图像的预处理和图像增广 3. 使用了PyQt工具包进行了应用拓展,可以使用网上自由选择一张图片来进行水果的识别. 4.训练过程中使用了tesorboard对训练集和验证集的参数进行记录,保存已经训练好的模型参数,最后测试模型时绘制多分类的ROC曲线,与混淆矩阵 5.文件有相关的代码,预训练好的模型,相关的文档,还有ppt,数据集,和使用说明