Keras 如何在不使用ImageDataGenerator类的情况下查找瓶颈功能

我有一个图像数据集，它有很多类。我在一个目录中有我的训练图像。我的想法是使用VGG16/Inception模型的瓶颈特性，这些特性是在Imagenet数据集上预先训练的。我浏览了很多其他相关的博客，发现如果我必须使用ImageDataGenerator类和Keras的fit_generator，我的培训图像应该根据不同的类放在不同的子文件夹中。与其创建不同类的子文件夹并将相关图像放入其中，不如编写自己的函数来读取图像

有没有其他方法（不使用ImageDataGenerator）类来创建瓶颈特性，然后在上面训练完全连接的小层？任何理论指导都会有所帮助

---

基本上，我正在实现不同的技术/模型，如kNN、两层神经网络、CNN（LeNet、AlexNet等），现在在同一数据集上对大型模型（VGG、Inception、ResNet等）进行微调，以比较精度和学习。我执行上述步骤的想法可能是完全错误的。因此，任何关于这方面的澄清或路径都将是非常好的。

当然，您可以以任何方式加载图像，但您的问题并不具体，您迄今为止尝试了什么？好的。这就是我正在做的。1.为了简化问题，我从数据集中删除了几个类图像，现在我有两个类，每个类有12500个图像。使用opencv读取图像并将其存储在numpy array 2中。相应地存储标签。3.随机生成列车/验证数据。4.使用Keras 5创建VGG16，其中include_top=False。查找瓶颈特性。将它们存储在.npy中，然后加载它们6。目前，在一个简单网络（2密集，1辍学，输出）层输出上的训练模型：我的验证精度波动，验证损失增加。非常感谢。