狗盲不存在！印度小哥实战搭建狗品种识别算法，只要7步( 二 )

Resnet-50模型在这方面的表现相当出色，狗和人脸的图像都能正确标记。
第3步创建一个CNN来对狗品种进行分类
现在有了在图像中检测人类和狗的功能，必须设计出一种从图像中预测品种的方法。
研究人员尝试创建了自己的卷积神经网络和训练狗的数据集，如下：

狗品种分类器CNN
研究者在最初的几个层中使用了Conv2D和MaxPooling的组合，然后是GlobalAveragePooling2D、Dropout和Dense图层。

模型概述

模型编译

模型训练
当前，研究者已经对模型进行了25次训练，批量大小为20 。使用的优化器是rmsprop 。使用该模型获得的准确度和精密度分别为15.5%和14% 。
第4步使用CNN对狗品种进行分类
上面的模型没有给出理想的准确度，值得庆幸的是，「迁移学习」可以帮助实现。
这样，研究者可以在不牺牲准确性的情况下减少训练时间。
因为只需要训练最后几层并利用已经训练好的CNN模型的权重，在这种情况下是VGG-16 。

VGG16CNN模型
VGG16模型的上述实现产生了45.5%的准确率，远高于研究者自己的CNN模型。
第5步创建一个CNN来对狗品种进行分类（使用迁移学习）
接下来，研究者对下载到各自架构的瓶颈特性上训练更多模型(Resnet-50 ， InceptionV3) 。
在实现方面，它们与VGG-16模型完全相似，只有架构不同。
他们创建了一组函数来构建架构、编译和训练模型，以及报告准确性和热图。

犬种预测的InceptionV3模型热图
因此，我们使用InceptionV3网络来训练我们的模型。从上图中可以明显看出，这是一个更好的热图，大多数预测都沿着对角线。它产生了81.2%的准确度和大约84%的精度。
第6步最终算法
将人脸检测器、狗检测器和狗品种分类器整合到一个算法中。
然后就可以拍摄图像并预测狗的品种啦！当然，如果是人类，则预测与此人最相似的狗品种。

狗品种预测
输入图像后， softmax分类器会将最大概率的索引定为最终品种。
此外，算法还会显示5个最有可能的犬种及其softmax概率。

最终算法
输入狗和人脸的图片后，上述函数将调用final_breed_prediction方法进行预测，并显示相关信息。
第7步测试算法
最后，研究人员分别检测了5张狗的图像以及2张人的图像。

结果显示，它准确地预测了所有5只狗图像的品种。然而，就人类图片预测而言，并不完全令人信服。
比如下面这张图就闹了一个笑话，「你看起来像一只獒犬」。
准确度还不错！但也存在改进空间
总的来说，这一模型准确度还可以。
对提取的瓶颈特征进行训练后，基准模型的准确度如下：
VGG16：45%、InceptionV3：82%、Resnet50：81%
研究人员发现，增加epoch的数量并不能减少验证损失。也就是说，在20次迭代内就可以实现最佳的验证损失和准确性。