def modelo():
vgg = applications.vgg16.VGG16()
cnn = Sequential()
for capa in vgg.layers:
cnn.add(capa)
cnn.pop()
for layer in cnn.layers:
layer.trainable = False
cnn.add(Dense(11, activation='softmax'))
return cnn
def createVGG19Model():
## Iniciacion de la red VGG19 y de una red sequencial.
vgg19Model = vgg19.VGG19()
sequentialModel = Sequential()
## Añadidas todas las capas de la red neuronal VGG19 a la red sequencial para poder trabajar con ella.
for capa in vgg19Model.layers:
sequentialModel.add(capa)
## Extraccion de la ultima capa del modelo, la capa predictiva.
sequentialModel.pop()
## Al tratarse de un modelo prentrenado, evitamos que posteriormente se vuelva a entrenar, ahorrandonos mucho tiempo.
for capa in sequentialModel.layers:
capa.trainable = False
## Finalmente añadimos una capa de decision con dos neuronas y una funcion de activacion softmax.
sequentialModel.add(Dense(2, activation='softmax'))
## Devolvemos el modelo personalizado.
return sequentialModel
#Creación VGG16 propia denominada cnn_micro
cnn_micro=Sequential()
for capa in vgg.layers:
cnn_micro.add (capa)
# In[5]:
cnn_micro.summary()
# In[6]:
cnn_micro.pop()
# In[7]:
cnn_micro.summary()
# In[8]:
#Las capas ya entrenadas de la VGG16 no vuelven a entrenarse para reutilizar el entrenamiento en la segmentación y detección de las imágenes en bruto
for layer in cnn_micro.layers:
layer.trainable=False
clases = 3
#with CustomObjectScope({'GlorotUniform': glorot_uniform()}):
# cnn = load_model(modelo)
#cnn = load_model(modelo) #cargamos los archivos que generamos para poder reutilizar nuestra red neuronal
#cnn.load_weights(pesos_modelo)
#model = InceptionV3(weights='imagenet', include_top=True)
#original
vgg = applications.vgg16.VGG16()
cnn = Sequential()
for capa in vgg.layers:
cnn.add(capa)
cnn.pop()
for layer in cnn.layers:
layer.trainable = False
cnn.add(Dense(clases, activation='softmax'))
cnn.load_weights(
pesos_modelo
) # Cargamos todo el Aprendizaje ya hecho por nuestra red neuronal en variable cnn
# a partir de aqui , def Predict (file) ............
'''
with CustomObjectScope({'GlorotUniform': glorot_uniform()}):
cnn = load_model(modelo)
cnn.load_weights(pesos_modelo)
'''
def VGG_16(spatial_size,
classes,
channels,
channel_first=True,
weights_path=None):
model = Sequential()
if channel_first:
model.add(
ZeroPadding2D((1, 1),
input_shape=(channels, spatial_size, spatial_size)))
else:
model.add(
ZeroPadding2D((1, 1),
input_shape=(spatial_size, spatial_size, channels)))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(ZeroPadding2D((1, 1)))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D((2, 2), strides=(2, 2)))
model.add(ZeroPadding2D((1, 1)))
model.add(Conv2D(128, (3, 3), activation='relu'))
model.add(ZeroPadding2D((1, 1)))
model.add(Conv2D(128, (3, 3), activation='relu'))
model.add(MaxPooling2D((2, 2), strides=(2, 2)))
model.add(ZeroPadding2D((1, 1)))
model.add(Conv2D(256, (3, 3), activation='relu'))
model.add(ZeroPadding2D((1, 1)))
model.add(Conv2D(256, (3, 3), activation='relu'))
model.add(ZeroPadding2D((1, 1)))
model.add(Conv2D(256, (3, 3), activation='relu'))
model.add(MaxPooling2D((2, 2), strides=(2, 2)))
model.add(ZeroPadding2D((1, 1)))
model.add(Conv2D(512, (3, 3), activation='relu'))
model.add(ZeroPadding2D((1, 1)))
model.add(Conv2D(512, (3, 3), activation='relu'))
model.add(ZeroPadding2D((1, 1)))
model.add(Conv2D(512, (3, 3), activation='relu'))
model.add(MaxPooling2D((2, 2), strides=(2, 2)))
model.add(ZeroPadding2D((1, 1)))
model.add(Conv2D(512, (3, 3), activation='relu'))
model.add(ZeroPadding2D((1, 1)))
model.add(Conv2D(512, (3, 3), activation='relu'))
model.add(ZeroPadding2D((1, 1)))
model.add(Conv2D(512, (3, 3), activation='relu'))
model.add(MaxPooling2D((2, 2), strides=(2, 2))) # 33
model.add(Flatten())
model.add(Dense(4096, activation='relu')) # 34
model.add(Dropout(0.5))
model.add(Dense(4096, activation='relu')) # 35
model.add(Dropout(0.5))
model.add(Dense(2622, activation='softmax')) # Dropped
if weights_path:
model.load_weights(weights_path)
model.pop()
model.add(Dense(classes, activation='softmax')) # 36
return model
