Sách Deep Learning cơ bản

11.1 Transfer learning 151
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import GridSearchCV
from sklearn.metrics import classification_report
from imutils import paths
from keras.applications import VGG16
from keras.applications import imagenet_utils
from keras.preprocessing.image import img_to_array
from keras.preprocessing.image import load_img
from sklearn.preprocessing import LabelEncoder
from sklearn.model_selection import train_test_split
import numpy as np
import random
import os
# Lấy các đường dẫn đến ảnh.
image_path = list(paths.list_images('dataset/'))
# Đổi vị trí ngẫu nhiên các đường dẫn ảnh
random.shuffle(image_path)
# Đường dẫn ảnh sẽ là dataset/tên_loài_hoa/tên_ảnh ví dụ dataset/Bluebell/image_0241.jpg n
labels = [p.split(os.path.sep)[-2] for p in image_path]
# Chuyển tên các loài hoa thành số
le = LabelEncoder()
labels = le.fit_transform(labels)
# Load model VGG 16 của ImageNet dataset, include_top=False để bỏ phần Fully connected lay
model = VGG16(weights='imagenet', include_top=False)
# Load ảnh và resize về đúng kích thước mà VGG 16 cần là (224,224)
list_image = []
for (j, imagePath) in enumerate(image_path):
image = load_img(imagePath, target_size=(224, 224))
image = img_to_array(image)
image = np.expand_dims(image, 0)
image = imagenet_utils.preprocess_input(image)
list_image.append(image)
list_image = np.vstack(list_image)
# Dùng pre-trained model để lấy ra các feature của ảnh
features = model.predict(list_image)
# Giống bước flatten trong CNN, chuyển từ tensor 3 chiều sau ConvNet sang vector 1 chiều
features = features.reshape((features.shape[0], 512*7*7))