这是数据框的视图，

下一步就是制作一个对象，将图片放入模型中。我们将练习tf．keras．preprocessing．image库的ImageDataGenerator对象。使用此对象，我们将生成图像批次。此外，我们可以扩充我们的图片以扩大数据集的乘积。因为我们还扩展了这些图片，我们进一步设置了图像增强技术的参数。

此外，因为我们应用了一个数据帧作为关于数据集的知识，因此我们将使用flow＿from＿dataframe方法生成批处理并增强图片。上面的代码看起来像这样from tensorflow．keras．preprocessing．image import ImageDataGenerator
＃ Create the ImageDataGenerator object
train＿datagen ＝ ImageDataGenerator（
   featurewise＿center＝True，
   featurewise＿std＿normalization＝True，
   rotation＿range＝20，
   width＿shift＿range＝0．2，
   height＿shift＿range＝0．2，
   horizontal＿flip＝True，
）
val＿datagen ＝ ImageDataGenerator（
   featurewise＿center＝True，
   featurewise＿std＿normalization＝True，
   rotation＿range＝20，
   width＿shift＿range＝0．2，
   height＿shift＿range＝0．2，
   horizontal＿flip＝True，
）
＃ Generate batches and augment the images
train＿generator ＝ train＿datagen．flow＿from＿dataframe（
   df＿train，
   directory＝＇Food－5K／training／＇，
   x＿col＝＇filename＇，
   y＿col＝＇label＇，
   class＿mode＝＇binary＇，
   target＿size＝（224， 224），
）
val＿generator ＝ train＿datagen．flow＿from＿dataframe（
   df＿val，
   directory＝＇Food－5K／validation／＇，
   x＿col＝＇filename＇，
   y＿col＝＇label＇，
   class＿mode＝＇binary＇，
   target＿size＝（224， 224），
）

步骤3：训练模型

决定好批次之后，我们可以通过迁移学习技术来训练模型。因为我们应用了这种方法，所以我们不需要从头开始执行 CNN 架构。相反，我们将使用当前和以前预训练的架构。我们将应用 ResNet－50 作为我们新模型的脊椎。我们将生成输入并根据类别数量调整 ResNet－50 的最后一个线性层ResNet－50。

构建模型的代码如下

from tensorflow．keras．applications import ResNet50
＃ Initialize the Pretrained Model
feature＿extractor ＝ ResNet50（weights＝＇imagenet＇，
                            input＿shape＝（224， 224， 3），
                            include＿top＝False）
＃ Set this parameter to make sure it＇s not being trained
feature＿extractor．trainable ＝ False
＃ Set the input layer
input＿ ＝ tf．keras．Input（shape＝（224， 224， 3））
＃ Set the feature extractor layer
x ＝ feature＿extractor（input＿， training＝False）
＃ Set the pooling layer
x ＝ tf．keras．layers．GlobalAveragePooling2D（）（x）
＃ Set the final layer with sigmoid activation function
output＿ ＝ tf．keras．layers．Dense（1， activation＝＇sigmoid＇）（x）
＃ Create the new model object
model ＝ tf．keras．Model（input＿， output＿）
＃ Compile it
model．compile（optimizer＝＇adam＇，
            loss＝＇binary＿crossentropy＇，
            metrics＝［＇accuracy＇］）
＃ Print The Summary of The Model
model．summary（）

为了训练模型，我们采用拟合的方法来准备模型。这是代码，model．fit（train＿generator， epochs＝20， validation＿data＝val＿generator）

步骤4：测试模型

在训练模型之后，现在让我们在测试数据集上检查模型。在扩展中，我们需要结合一个pillow库来加载和调整图片大小，以及 scikit－learn 来确定模型性能。我们将练习来自 scikit－learn 库的分类报告，以生成关于模型执行的报告。此外，我们会喜欢它的混淆矩阵。这是预测实验数据及其决策的代码，from PIL import Image
from sklearn．metrics import classification＿report， confusion＿matrix
y＿true ＝ ［］
y＿pred ＝ ［］
for i in os．listdir（＇Food－5K／evaluation＇）：
   img ＝ Image．open（＇Food－5K／evaluation／＇ ＋ i）
   img ＝ img．resize（（224， 224））
   img ＝ np．array（img）
   img ＝ np．expand＿dims（img， 0）
   
   y＿true．append（int（i．split（＇＿＇）［0］））
   y＿pred．append（1 if model．predict（img） ＞ 0．5 else 0）
   
print（classification＿report（y＿true， y＿pred））
print（）
print（confusion＿matrix（y＿true， y＿pred））

从前面的内容可以看出，该模型的性能已超过95％。因此，我们可以在建立图像分类器 API 的情况下接受此模型。

步骤5：保存模型

如果你希望将模型用于后续使用或部署，你可以使用 save 方法保存模型，model．save（＇．／resnet50＿food＿model＇）

如果你需要加载模型，你可以像这样练习load＿model方法，model ＝ tf．keras．models．load＿model（＇．／resnet50＿food＿model＇）

下一步是什么

做得好！现在你已了解如何使用 TensorFlow 执行迁移学习。我希望这项研究能鼓励你，尤其是那些渴望在数据不足的情况下训练深度学习模型的人。