Application是keras中的一个特殊模块，其为我们提供了已经构建好的多种经典神经网络以及在特定数据集上训练好的模型。同时借助该模块，我们也可以抽取其中的神经网络结构，直接用于或者调整后用于训练自己的模型。以下是keras.applications模块中的初始化文件（__init__.py)中的代码。
from .vgg16 import VGG16 from .vgg19 import VGG19 from .resnet50 import ResNet50 from .inception_v3 import InceptionV3 from .inception_resnet_v2 import InceptionResNetV2 from .xception import Xception from .mobilenet import MobileNet from .mobilenet_v2 import MobileNetV2 from .densenet import DenseNet121, DenseNet169, DenseNet201 from .nasnet import NASNetMobile, NASNetLarge from .resnet import ResNet101, ResNet152 from .resnet_v2 import ResNet50V2, ResNet101V2, ResNet152V2这些代码直接告诉了我们当前版本可以使用的神经网络。
上面的代码告诉了我们Applications模块中神经网络的引用格式。引用后的函数则可以通过参数weights获取官方模型。
from keras.applications.resnet50 import ResNet50 model = ResNet50(weights='imagenet')使用以上代码，keras将会检测模型是否存在，不存在则会前往github下载模型，以上代码所需模型的下载地址为：https://github.com/fchollet/deep-learning-models/releases/download/v0.2/resnet50_weights_tf_dim_ordering_tf_kernels.h5
模型下载后的默认存储位置是当前账户下的隐藏文件夹，路径为~/.keras/models，绝对路径（以本人为例）/home/fonttian/.keras/models。我们也可以直接下载模型然后存在该位置。不过除了模型之外，还会有其他文件存在，比如imagenet_class_index.json。字如其名，该文件是所使用的数据集的class_index.json，该文件中一共有一千类，与函数ResNet50中的参数classes=1000也是对应的。
首先展示代码，这里使用的是官方例子。
img_path = '../Images/elephant.jpg' img = image.load_img(img_path, target_size=(224, 224)) x = image.img_to_array(img) x = np.expand_dims(x, axis=0) x = preprocess_input(x) preds = model.predict(x) # 将结果解码为元组列表 (class, description, probability) # (一个列表代表批次中的一个样本） print('Predicted:', decode_predictions(preds, top=3)[0]) # Predicted: [(u'n02504013', u'Indian_elephant', 0.82658225), (u'n01871265', u'tusker', 0.1122357), (u'n02504458', u'African_elephant', 0.061040461)]上面的代码中可以分为两个模块来看，首先是加载数据并处理，这里加载数据的函数image.load_img是官方提供的函数，size参数的作用是对图片进行尺寸的调整。加载后的图片继续使用numpy进行调整。而第二个模块则是预测模块，使用model.predict进行预测，预测后则使用官方自带的解码函数decode_predictions将其转化为元组列表(class, description, probability)进行输出，同时借助参数top选择要输出的项多少个。
从完整代码我们可以很清楚的看出，Applications模块本质返回的是一个model对象，所以具体怎么操作这个model其实应该是很灵活的。下边就是一些更加灵活使用该model对象的内容。同时，很显然这些代码也可以移植到我们自己创建的model对象上。
Keras自带的神经网络都是已经构建的经典神经网络，比如VGG16，这是一个经典的分类神经网络。而特征提取需要的则是没有分类器的神经网络，这点我们可以通过参数include_top来控制。keras中对该参数的解释为：
include_top: whether to include the ? fully-connectedlayers at the top of the network.由于不同的神经网络使用的分类器不同，有时候会有个数字表示全连接神经网络的层数，所以我在这用一个问号代替。
官方给的例子有多个，首先VGG16 提取特征的例子：
from keras.applications.vgg16 import VGG16 from keras.preprocessing import image from keras.applications.vgg16 import preprocess_input import numpy as np model = VGG16(weights='imagenet', include_top=False) img_path = 'elephant.jpg' img = image.load_img(img_path, target_size=(224, 224)) x = image.img_to_array(img) x = np.expand_dims(x, axis=0) x = preprocess_input(x) features = model.predict(x)此时出书的例子就变为了特征，本质是矩阵。而非之前的类别。
除此之外，本质上来说所有applications中的神经网络返回的都是定义好的keras中的神经网络。因此我们也可以按照一般神经网络那样获取任意的中间层特征。具体方法如下，这里使用的是官方给的VGG19提取任意中间层特征的例子：
from keras.applications.vgg19 import VGG19 from keras.preprocessing import image from keras.applications.vgg19 import preprocess_input from keras.models import Model import numpy as np base_model = VGG19(weights='imagenet') model = Model(inputs=base_model.input, outputs=base_model.get_layer('block4_pool').output) img_path = '../Images/elephant.jpg' img = image.load_img(img_path, target_size=(224, 224)) x = image.img_to_array(img) x = np.expand_dims(x, axis=0) x = preprocess_input(x) block4_pool_features = model.predict(x) print(block4_pool_features)这个很容易看懂，就是借助了Model参数对原来的完整的model进行了处理，关键参数是outputs，
这里真真的个问题在于如何获取核心参数，也就是函数get_layer的参数name（另外get_layer还有一个参数为index）这里确实没有很好地方法，而直接最有效的方法肯定还是直接查看keras的源码，该部分代码位于keras_applications中，如果在Pycharm中可以直接ctrl点击进去查看，或者前往github下载源码，这里是keras-applications的github地址。
通过刚刚的代码我们已经非常接近applications模块的本质了，我们可以在其上做更多更加纯粹的事情，比如只使用该模块提供的神经网络的一部分，而其他重要部分则由我们自行构建。具体方法则刚刚所做一致。首先借用include_top参数去除分类器，然后借助Model函数获取我们想要的输出，比如上一部分的提取任意中间层的特征，其实说到底就是把截取并运行了一个正常的神经网络一部分。之后再进行微调，获取我们需要的模型。
下面是keras的例子-微调 InceptionV3 ，我们以此为讲解：
（1）构建神经网络
# 构建不带分类器的预训练模型 base_model = InceptionV3(weights='imagenet', include_top=False) # 添加全局平均池化层 x = base_model.output x = GlobalAveragePooling2D()(x) # 添加一个全连接层 x = Dense(1024, activation='relu')(x) # 添加一个分类器，假设我们有200个类 predictions = Dense(200, activation='softmax')(x) # 构建我们需要训练的完整模型 model = Model(inputs=base_model.input, outputs=predictions)这一步前半部分与之前的一致，都是先获取不带分类的神经网络。之后我们则自己来添加一个分类器，此处是先添加全剧平均池化层，然后添加一个两层神经网络作为分类器（200类）。之后再使用Model构建完整的模型。
（2）锁层，训练新分类器
这里我们使用了预训练的模型，之后我们则需要使用锁层。锁层的方法是设置.trainable=False，该属性是keras中Network的固有属性，其继承于keras.engine.base_layer中的layer。这是我们非常常用的keras中的类。我们通过该方法可以将v3的所有卷积层都锁定，然后训练未锁定的层。
# 首先，我们只训练顶部的几层（随机初始化的层） # 锁住所有 InceptionV3 的卷积层 for layer in base_model.layers: layer.trainable = False # 编译模型（一定要在锁层以后操作） model.compile(optimizer='rmsprop', loss='categorical_crossentropy') # 在新的数据集上训练几代 model.fit_generator(...) # 现在顶层应该训练好了，让我们开始微调 Inception V3 的卷积层。（3）训练顶层
通过刚刚的操作我们就训练好了我们的顶层（top layers），现在我们则可以逐渐放开，并训练后边的神经元了。具体代码如下：
# 现在顶层应该训练好了，让我们开始微调 Inception V3 的卷积层。 # 我们会锁住底下的几层，然后训练其余的顶层。 # 让我们看看每一层的名字和层号，看看我们应该锁多少层呢： for i, layer in enumerate(base_model.layers): print(i, layer.name) # 我们选择训练最上面的两个 Inception block # 也就是说锁住前面249层，然后放开之后的层。 for layer in model.layers[:249]: layer.trainable = False for layer in model.layers[249:]: layer.trainable = True # 我们需要重新编译模型，才能使上面的修改生效 # 让我们设置一个很低的学习率，使用 SGD 来微调 from keras.optimizers import SGD model.compile(optimizer=SGD(lr=0.0001, momentum=0.9), loss='categorical_crossentropy') # 我们继续训练模型，这次我们训练最后两个 Inception block # 和两个全连接层 model.fit_generator(...)（4）全部代码
from keras.applications.inception_v3 import InceptionV3 from keras.preprocessing import image from keras.models import Model from keras.layers import Dense, GlobalAveragePooling2D from keras import backend as K # 构建不带分类器的预训练模型 base_model = InceptionV3(weights='imagenet', include_top=False) # 添加全局平均池化层 x = base_model.output x = GlobalAveragePooling2D()(x) # 添加一个全连接层 x = Dense(1024, activation='relu')(x) # 添加一个分类器，假设我们有200个类 predictions = Dense(200, activation='softmax')(x) # 构建我们需要训练的完整模型 model = Model(inputs=base_model.input, outputs=predictions) # 首先，我们只训练顶部的几层（随机初始化的层） # 锁住所有 InceptionV3 的卷积层 for layer in base_model.layers: layer.trainable = False # 编译模型（一定要在锁层以后操作） model.compile(optimizer='rmsprop', loss='categorical_crossentropy') # 在新的数据集上训练几代 model.fit_generator(...) # 现在顶层应该训练好了，让我们开始微调 Inception V3 的卷积层。 # 我们会锁住底下的几层，然后训练其余的顶层。 # 让我们看看每一层的名字和层号，看看我们应该锁多少层呢： for i, layer in enumerate(base_model.layers): print(i, layer.name) # 我们选择训练最上面的两个 Inception block # 也就是说锁住前面249层，然后放开之后的层。 for layer in model.layers[:249]: layer.trainable = False for layer in model.layers[249:]: layer.trainable = True # 我们需要重新编译模型，才能使上面的修改生效 # 让我们设置一个很低的学习率，使用 SGD 来微调 from keras.optimizers import SGD model.compile(optimizer=SGD(lr=0.0001, momentum=0.9), loss='categorical_crossentropy') # 我们继续训练模型，这次我们训练最后两个 Inception block # 和两个全连接层 model.fit_generator(...)