4、深度学习中的特征提取、分类器训练与排名准确率解析

深度学习中的特征提取、分类器训练与排名准确率解析

在深度学习领域，特征提取、分类器训练以及评估模型的准确率是非常重要的环节。本文将详细介绍如何使用预训练的卷积神经网络（CNN）进行特征提取，训练分类器，并深入探讨排名准确率的概念。

1. 特征提取过程

1.1 特征重塑与存储

在特征提取过程中，我们需要对特征进行重塑，以便每个图像由 MaxPooling2D 输出的扁平化特征向量表示。以下是相关代码：

# reshape the features so that each image is represented by
# a flattened feature vector of the ‘MaxPooling2D‘ outputs
features = features.reshape((features.shape[0], 512 * 7 * 7))

# add the features and labels to our HDF5 dataset
dataset.add(features, batchLabels)

我们使用NumPy的 .vstack 方法将图像垂直堆叠，使其形状为 (N, 224, 224, 3) ，其中 N 是批次大小。通过网络传递 batchImages 得到实际的特征向量，由于我们去掉了VGG16头部的全连接层，现在剩下的是最终最大池化操作后的值。池化输出的形状为