3、利用预训练CNN进行特征提取及HDF5存储

利用预训练CNN进行特征提取及HDF5存储

1. 预训练CNN作为特征提取器

通常，我们将卷积神经网络（CNN）视为端到端的图像分类器，其流程如下：
1. 向网络输入一张图像。
2. 图像在网络中进行前向传播。
3. 从网络末端获取最终的分类概率。

但实际上，我们并非一定要让图像在整个网络中完成前向传播。我们可以在任意层（如激活层或池化层）停止传播，提取该层的数值，并将其用作特征向量。

以Simonyan和Zisserman提出的VGG16网络架构为例，原始的VGG16网络会输出1000个ImageNet类标签的概率。当将网络作为特征提取器时，我们通常会在全连接层之前截断网络（具体位置取决于数据集）。

此时，网络的最后一层是最大池化层，输出形状为 7×7×512，意味着有512个大小为 7×7 的滤波器。如果将一张图像通过去除了全连接层的VGG16网络进行前向传播，会得到512个 7×7 的激活值，这些值会根据图像内容被激活或不激活。我们可以将这 7×7×512 = 25,088 个值作为一个特征向量，用于量化图像的内容。

对整个图像数据集（包括VGG16未训练过的数据集）重复此过程，会得到一个包含N张图像的设计矩阵，每张图像有25,088列用于量化其内容（即特征向量）。基于这些特征向量，我们可以在其基础上训练现成的机器学习模型，如线性支持向量机（Linear SVM）、逻辑回归分类器或随机森林，以获得能够识别新图像类别的分类器。

需要注意的是，CNN本身无法识别这些新类别，我们只是将其作为中间的特征提取器，下游的机器学习分类器将负责学习从CNN提取的特征的潜在模式。