ImageNet实际上是一个项目，旨在根据一组定义的单词和短语对图像进行标记和分类，分为近22,个类别。ImageNet项目中有超过万张图像。
要使用Python运行在ImageNet数据集上预训练的网络，您需要确保安装了最新版本的Keras。
我们现在准备编写一些Python代码，利用在ImageNet数据集上预训练的卷积神经网络(CNN)对图像内容进行分类。
首先导入我们所需的python的包
使用Keras辅助函数从磁盘加载我们的图像。输入到网络种的图像大小需要x像素，这是VGG16、VGG19和ResNet50网络架构所需的空间输入图像尺寸。
进行图像预处理，需要讲图像维度扩展为(1,,,)，我们为什么要做这个？
当使用深度学习和卷积神经网络对图像进行分类时，我们经常通过网络“批量”发送图像以提高效率。因此，一次只通过网络传递一张图像的情况实际上非常罕见，当然，除非您只有一张图像需要分类。
最后，我们可以加载Keras网络并对图像进行分类：
下载模型权重第一次执行脚本时，Keras会自动下载架构权重并将其缓存到磁盘的目录中。
这些权重是相当大的HDF5文件，如果您没有快速的互联网连接，可能需要一段时间才能下载。为了方便起见，我列出了每个网络架构的权重文件的大小：
ResNet50：MB
VGG16：55MB
VGG19：MB
下载权重后，VGG16网络将被初始化，ImageNet权重将被加载，并获得最终的分类。
尝试另一张图像
再来一张
推理时间模型判断一张图像属于哪一类的过程成为推理，实际应用中这个推理时间是一个关键的因素。
从开始到结束（不包括网络权重文件的下载），在我的TitanXGPU上使用VGG16对图像进行分类大约需要11秒。这包括实际从磁盘加载图像和网络、执行任何初始化、通过网络传递图像以及获得最终预测的过程。
然而，一旦网络实际加载到内存中，分类只需要1.8秒，这表明实际加载初始化大型卷积神经网络涉及多少开销。此外，由于图像可以批量输入到网络，因此相同的分类时间将适用于多个图像。
如果您在CPU上对图像进行分类，那么您应该获得类似的分类时间。这主要是因为将图像从内存复制到GPU会产生大量开销。当您批量传递多个图像时，使用GPU的I/O开销更容易接受。
#AI助手创作季#