【人工智能】Python中的迁移学习：使用预训练模型进行分类任务

《Python OpenCV从菜鸟到高手》带你进入图像处理与计算机视觉的大门！

解锁Python编程的无限可能：《奇妙的Python》带你漫游代码世界

目录 迁移学习概述 环境准备与数据预处理 使用Keras实现迁移学习 使用PyTorch实现迁移学习 模型评估与结果分析 迁移学习技巧与最佳实践 应用场景与总结 1. 迁移学习概述

迁移学习（Transfer Learning）是机器学习中的一种技术，通过将在一个任务上训练好的模型参数迁移到另一个相关任务中，从而加速模型训练过程并提升模型性能。在计算机视觉领域，常用的预训练模型（如VGG16、ResNet、Inception等）已经在ImageNet数据集上经过充分训练，可以直接用于特征提取或微调（Fine-tuning）。

迁移学习的优势： 节省训练时间：预训练模型已学习通用特征 降低数据需求：适合小样本场景 提升模型性能：利用已有知识提升新任务表现 典型应用场景： 医学影像分类 卫星图像识别 工业缺陷检测 自然场景物体识别 2. 环境准备与数据预处理 2.1 环境配置 # 安装必要库（Keras版本） !pip install tensorflow keras numpy pandas matplotlib scikit-learn 2.2 数据准备

假设我们使用Kaggle的猫狗分类数据集（包含25000张训练图像）

import os import numpy as np from keras.preprocessing.image import ImageDataGenerator # 数据集路径配置 train_dir = '/path/to/train' validation_dir = '/path/to/validation' test_dir = '/path/to/test' # 图像预处理参数 img_width, img_height = 224, 224 # 匹配预训练模型输入尺寸 batch_size = 32 num_classes = 2 # 猫和狗分类 # 数据增强配置 train_datagen = ImageDataGenerator( rescale=1./255, rotation_range=20, width_shift_range=0.2, height_shift_range=0.2, shear_range=0.2, zoom_range=0.2, horizontal_flip=True, fill_mode='nearest') validation_datagen = ImageDataGenerator(rescale=1./255) # 创建数据生成器 train_generator = train_datagen.flow_from_directory( train_dir, target_size=(img_width, img_height), batch_size=batch_size, class_mode='categorical') validation_generator = validation_datagen.flow_from_directory( validation_dir, target_size=(img_width, img_height), batch_size=batch_size, class_mode='categorical') 3. 使用Keras实现迁移学习 3.1 加载预训练模型 from keras.applications import VGG16 from keras.models import Model from keras.layers import Dense, GlobalAveragePooling2D, Dropout # 加载VGG16模型（不包括顶层） base_model = VGG16( weights='imagenet', include_top=False, input_shape=(img_width, img_height, 3)) # 冻结卷积基 for layer in base_model.layers: layer.trainable = False # 添加自定义顶层 x = base_model.output x = GlobalAveragePooling2D()(x) # 全局平均池化 x = Dense(512, activation='relu')(x) x = Dropout(0.5)(x) # 防止过拟合 predictions = Dense(num_classes, activation='softmax')(x) # 构建完整模型 model = Model(inputs=base_model.input, outputs=predictions)