Question

这实际上是我在Stackoverflow上的第一篇文章，我对机器学习很新。我目前正在尝试使用VGG16训练卷积神经网络以进行简单的图像分类任务。它基于本教程：http://www.codesofinterest.com/2017/08/bottleneck-features-multi-class-classification-keras.html。我的目标是将此模型转换为CoreML并将其用于iOS上的图像分类。

经过一番努力，我能够通过使用以下转换线将Keras模型成功转换为CoreML模型：

coreml_model = coremltools.converters.keras.convert（＆＃39;模型路径＆＃39;，image_input_names =＆＃39;数据＆＃39;，class_labels =＆＃39;类路径＆＃39;）

然而，在将CoreML模型复制到Xcode之后，它会请求一个形状为512,1,1的多阵列（我想这是由于神经网络的图像阵列格式化而发生的）还有其他一些帖子提到使用特定版本的keras，tensorflow和python（2.7）提到here很重要这没有改变这个问题。

在Apple Developer论坛中，他们建议将转换代码更改为以下行：

coreml_model = coremltools.converters.keras.convert（＆＃39;模型路径＆＃39;，input_names =＆＃39;数据＆＃39;，image_input_names =＆＃39;数据＆＃39;，is_bgr = True，class_labels =＆＃39;课程路径＆＃39;）

这实际上似乎改变了一些东西，但是现在我无法将我的keras模型转换为CoreML模型，得到这个特定的错误：

ValueError：图像输入不支持通道值512

现在似乎问题在于卷积神经网络的代码。一些人认为这可能是由于keras的dim_ordering（在我的情况下是最后一个通道）和/或输入形状。但是，至少input_shape看起来像一个图像。

任何人都知道如何将多个阵列的输入成功更改为图像？

提前感谢任何建议。

Answer 1

看起来你创建的模型不接受图像，而是接受512个元素的矢量，因为第一个＆＃34;真实＆＃34;图层是密集图层，密集（或完全连接的图层）将1维向量作为输入，而不是二维图像。

但是这里有一个更大的问题：你使用瓶颈功能微调了VGG16，这没关系。但是要对新图像进行预测，您需要整个模型，即不仅是您训练过的小分类器模型，还有所有VGG16层。但是你并没有转换整个模型，只转换了分类器部分。

这意味着您的应用现在需要瓶颈功能作为输入，而不是图像。而那些瓶颈特征是512个元素的载体。

Answer 2

我添加了相同的问题（在VGG16中使用），并且由于这篇文章和Matthijs Hollemans的回答而得以解决：您必须保存整个模型，包括VGG16层。

在我的代码中，我只保存了顶级模型。

这是我要解决的问题：

# add the model on top of the convolutional base  
fullModel = Model(inputs=base_model.input, outputs=top_model(base_model.output))

与：

base_model是没有顶层的基本模型（VGG16）
top_model是您的顶级模特

在我的情况下是这样的：

base_model = applications.VGG16(include_top=False, weights='imagenet', input_shape=(img_width, img_height, 3))  
....  
top_model = Sequential()  top_model.add(Flatten(input_shape=train_data.shape[1:]))  
top_model.add(Dense(256, activation='relu'))  
top_model.add(Dropout(0.5))  
top_model.add(Dense(num_classes, activation='softmax'))

CoreML转换的keras模型在Xcode中请求多数组输入而不是图像

2 个答案: