Deep learning MxNet中的内置VGG16网络不工作

我想在MxNet中测试经过培训的内置VGG16网络。实验是向网络提供来自ImageNet的图像。那么，我想看看结果是否正确

然而，结果总是错误的！嗨，网络真蠢！那不可能是真的。我一定是做错了什么

from mxnet.gluon.model_zoo.vision import vgg16
from mxnet.image import color_normalize
import mxnet as mx
import numpy as np
import cv2
path=‘http://data.mxnet.io/models/imagenet-11k/’
data_dir = ‘F:/Temps/Models_tmp/’
k = ‘synset.txt’
#gluon.utils.download(path+k, data_dir+k)
img_dir = ‘F:/Temps/DataSets/ImageNet/’
img = cv2.imread(img_dir + ‘cat.jpg’)
img = mx.nd.array(img)
img,_ = mx.image.center_crop(img,(224,224))
img = img/255
img = color_normalize(img,mean=mx.nd.array([0.485, 0.456, 0.406]),std=mx.nd.array([0.229, 0.224, 0.225]))
img = mx.nd.transpose(img, axes=(2, 0, 1))
img = img.expand_dims(axis=0)
with open(data_dir + ‘synset.txt’, ‘r’) as f:
labels = [l.rstrip() for l in f]
aVGG = vgg16(pretrained=True,root=‘F:/Temps/Models_tmp/’)
features = aVGG.forward(img)
features = mx.ndarray.softmax(features)
features = features.asnumpy()
features = np.squeeze(features)
a = np.argsort(features)[::-1]
for i in a[0:5]:
  print(‘probability=%f, class=%s’ %(features[i], labels[i]))

由于某些数字的绝对值大于1，因此颜色_normalize的输出似乎不正确

这是我从ImageNet上下载的cat图

这些是我的产出

概率=0.218258，等级=n01519563食火鸡概率=0.172373， 等级=n01519873鸸鹋、新黑腹驼科鸸鹋、新黑腹驼科鸸鹋 概率=0.128973，等级=n01521399 rhea，rhea americana 概率=0.105253，等级=n01518878驼鸟 概率=0.051424，等级=n01517565平纹，平纹鸟，不会飞 鸟

阅读您的代码：

path=http://data.mxnet.io/models/imagenet-11k/“

我认为您可能正在使用ImageNet 11k（11000个类）的synset，而不是1k（1000个）类。这可以解释这种不匹配

---

正确的语法集在这里：

非常感谢！我犯的另一个错误是导入BGR数据而不是RGB数据。img=cv2.imread（img_dir+'cat.jpg'）应该是img=cv2.imread（img_dir+'n01751748_838.JPEG'）img=cv2.cvtColor（img，cv2.COLOR_BGR2RGB）或img=plt.imread（img_dir+'n01751748_838.JPEG'）。如果像我们在keras中所做的那样有“image.load_img”这样的话会更好。img=image.load\u img（img\u path+'cat.jpg'，target\u size=（224224224））没问题，您可以在mxnet中使用

mx.image.imread

直接将图像作为数据数组加载。