【keras实战】用DenseNet实现五种花的分类

前言

        本次实战是应用keras已经封装好的application模型DenseNet 来做分类，提供代码以供参考。代码除了需要更改路径和分类数（我的数据集是5类）外，应该不需要做其它改动可以直接运行。本文的代码基本都是拿别人的代码拼拼凑凑修修剪剪得到的，没什么原创性，所以不会上传github。（给自己的懒惰找了个正当的理由~）

参考：

           训练和测试代码   

            keras系列︱迁移学习：利用InceptionV3进行fine-tuning及预测、完美案例（五）

            保存模型和tensorboard可视化

            keras系列︱Sequential与Model模型、keras基本结构功能（一）

            denseNet源代码和各个模型的比较可参考github上keras-team的keras-applications项目：

            Reference implementations of popular deep learning models

            优化算法参数设置，添加层的设置等

            论文：Densely Connected Convolutional Networks     

一、准备工作

       在进行具体的分类任务之前，我们先来检查一下工作环境！

      1、已经安装好的keras是否有DenseNet这个模型？

       打开终端（Windows系统下即cmd，Ubuntu可用快捷键Ctrl+Alt+T）,启动python环境，输入下图的指令可以查看keras.applications的文档。从我红圈圈出来的部分可以看到densenet这个包是存在的。如果不存在请更新keras版本。

          2、打印DenseNet模型，对模型架构有个大概的认知。

                获取模型信息的代码如下：

#--c