开始使用免费开始使用

准备输入图像

原始的 ResNet50 模型是在尺寸为 224 x 224 像素的图像上训练的，并进行了若干预处理操作；例如对所有训练图像减去训练集的像素均值。您需要以相同方式预处理要进行预测的图像。

在对单张图像进行预测时，需要让它匹配模型的输入形状，本例为： (batch-size, width, height, channels)。使用 np.expand_dims 并设置参数 axis = 0 可以添加 batch-size 这一维，表示将以单张图像进行预测。由于我们只预测一张图像，这个 batch-size 的值为 1。

接下来，您将按这些预处理步骤，把这只名叫 Ivy 的狗的照片准备成可被 ResNet50 分类的输入。

本练习是课程的一部分

Keras 深度学习入门

查看课程

练习说明

  • 从 tensorflow.keras.preprocessing 导入 image，并从 tensorflow.keras.applications.resnet50 导入 preprocess_input。
  • 以适合模型的 target_size 加载图像。
  • 使用 image.img_to_array() 将其转换为数组。
  • 使用 preprocess_input() 按与原始 ResNet50 训练图像相同的方式对 img_expanded 进行预处理。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# Import image and preprocess_input
from tensorflow.keras.____ import ____
from tensorflow.keras.____.____ import ____

# Load the image with the right target size for your model
img = image.load_img(img_path, target_size=(____, ____))

# Turn it into an array
img_array = image.____(____)

# Expand the dimensions of the image, this is so that it fits the expected model input format
img_expanded = np.expand_dims(img_array, axis = 0)

# Pre-process the img in the same way original images were
img_ready = ____(____)
编辑并运行代码