4、深度学习中的特征提取、分类器训练与排名准确率

深度学习中的特征提取、分类器训练与排名准确率

1. 特征提取过程

1.1 特征处理

在特征提取过程中，我们需要对特征进行一系列处理。首先，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。通过网络处理 batchImages 得到实际的特征向量，这里去掉了VGG16头部的全连接层，剩下最终最大池化操作后的值，其形状为 (N, 512, 7, 7) ，意味着有512个大小为7×7的滤波器。为了将这些值作为特征向量处理，需要将它们展平为形状为 (N, 25088) 的数组，代码如下：

# 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)
pbar.update(i)

最后，关闭HDF5数据集：