在收集完图片后，要想构建自己的训练集最好现想要自己要怎么训练模型，训练哪种模型。
这就必须对TensorFlow的API有所了解。TensorFlow提供了Keras模块可以轻松地用几行代码调用已经封装好的模型，我们要做的只是把自己的数据塞进去，并且添加一些断点和保存权重的方法即可。
找了很多不同模型对比的文章，最后还是决定从YoloV3下手，虽然它训练可能有点困难，但是作为真正意义上第一个上手的模型，我还是想尝试一下。不过还是先从最基础的如何构造一个自定义网络层开始学习。
Keras API
Keras有两块
- Model ：包含层连接和组织的函数和参数
- Layer ：包含构成网络的函数和变量
Keras 基本操作
引入
import tensorflow as tf
网络容器
Keras 提供网络容器Sequential将多个网络封装成一个大网络模型
model = tf.keras.Sequential()
层的堆叠
通过add方式，选择Dense(全连接层)模式，激活函数为relu
model.add(tf.keras.layers.Dense(32,activation='relu'))
配置训练
利用compile方式，optimizer 为优化器，这里选择了Adam优化器，loss为损失函数，metrics为性能评估模块
model.compile(optimizer=tf.keras.optimizers.Adam(0.001),
loss=tf.keras.losses.categorical_crossentropy,
metrics=[tf.keras.metrics.categorical_accuracy])
利用容器配置模型
建立一个输入为756，输出10的5层全连接层模型（和MNIST手写图像训练集一样）
network = tf.keras.Sequential([tf.keras.layers.Dense(256,activation='relu'),
tf.keras.layers.Dense(128,activation='relu'),
tf.keras.layers.Dense(64,activation='relu'),
tf.keras.layers.Dense(32,activation='relu'),
tf.keras.layers.Dense(10)])
network.build(input_shape=(None,28*28))
自定义层
有时会需要自定义层以满足模型的需要，可以仿照自定义类模型来实现
class MyLayer(tf.keras.layers.Layer):
def __init__(self,inp_dim,outp_dim):#inp_dim为输入个数，outp_dim为输出个数
super().__init__()
# 初始化代码
# 例如创建可优化的权值张量
self.kernel = self.add_weight('w', [inp_dim, outp_dim], trainable=True)
def call(self, inputs):
#处理输入
return output
#调用并创建输入为4，输出为3的自定义层
net = MyLayer(4,3)
自定义类简单实现模型调用
上面的方法虽然能够调用模型，但是为了反复实例化，通过自定义类更加方便
class MyModel(tf.keras.Model):
def __init__(self):
super(MyModel,self).__init__()
# 初始化代码（设定有几层和每层的参数）
# 这里顺便利用之前定义的自定义层
self.fc1 = MyLayer(28*28,256)
self.fc2 = MyLayer(256,128)
self.fc3 = MyLayer(128,64)
self.fc4 = MyLayer(64,32)
self.fc5 = MyLayer(32,10)
def call(self, inputs):
# 添加模型调用的代码（如何由输入得到输出）
x = self.fc1(inputs)
x = self.fc2(x)
x = self.fc3(x)
x = self.fc4(x)
x = self.fc5(x)
return x
return output
模型训练
模型装配完成之后，可通过fit()函数送入训练数据和测试数据。
history = model.fit(train_db, epochs=5,validation_data=val_db,validation_freq=2)
train_db是tf.data.Dataset对象，也就是训练数据。
epochs是训练次数（每个训练数据都训练一遍，epochs的值为1）
validation_data是测试数据
validation_freq是测试的频率
可以利用history方法获得训练信息即（history.history)
模型测试
利用Model基类的predict方法即可完成模型的预测
out = model.predict(参数为测试数据)
如果只是简单的测试数据还可以调用evaluate方法
out = model.evaluate(参数为测试数据)
网络的保存和加载
将网络利用模型的方法保存和加载
利用Model.save(path)函数保存模型的结构和参数
利用keras.models.load_model(path)恢复网络的结构和参数
network.save("model.h5")
del network #删除网络对象
network = tf.keras.models.load_model("model.h5")
SavedModel方式
TensorFlow的SavedModel保存的模型具有平台无关性，可以迁移到其他平台
通过 tf.keras.experimental.export_saved_model(network, path) 即可将模型保存到path目录下的saved_model文件，文件的格式对于读取没有影响，读取时用函数 tf.keras.experimental.load_from_saved_model(path)
加载已经官方封装好的模型
利用keras.applications.模型名()模块可以调用TF库中利用ImageNet训练好的模型，这时只需要调整图片的输入大小即可，即可简单实现。
官方文档给出的可以调用的模型有
densenet 模块：用于Keras的DenseNet模型。
imagenet_utils 模块：用于ImageNet数据预处理和预测解码的实用程序。
inception_resnet_v2 模块：Keras的Inception-ResNet V2模型。
inception_v3 模块：Keras的Inception V3模型。
mobilenet 模块：Keras的MobileNet v1模型。
mobilenet_v2 模块：Keras的MobileNet v2模型。
nasnet 模块：适用于Keras的NASNet-A模型。
resnet 模块：Keras的ResNet模型。
resnet50 模块：tf.keras.applications.resnet50名称空间的公共API。
resnet_v2 模块：用于Keras的ResNet v2模型。
vgg16 模块：Keras的VGG16模型。
vgg19 模块：Keras的VGG19模型。
xception 模块：适用于Keras的Xception V1模型。
用之前需要下载，虽然keras模块能自动下载，但是速度比较慢，推荐先下载，然后放到C:\Users\你的用户名.keras\models目录下即可
下面是一段调用已经训练好的ResNet50模型预测图片里的物体的代码，不过它把马克思认成了手机…
import tensorflow as tf
import numpy as np
model = tf.keras.applications.ResNet50(weights='imagenet')
img_path = '2.jpg'
img = tf.keras.preprocessing.image.load_img(img_path, target_size=(224, 224))
x = tf.keras.preprocessing.image.img_to_array(img)
x = np.expand_dims(x, axis=0)
x = tf.keras.applications.resnet50.preprocess_input(x)
preds = model.predict(x)
print('Predicted:', tf.keras.applications.resnet50.decode_predictions(preds, top=3)[0])
