以下是針對你提供的 TensorFlow 和 Keras 程式碼的簡要說明：

---

# 使用 ResNet50 進行圖像分類 (CPU版本)

## 簡介

這個程式碼使用了 TensorFlow 和 Keras，以 ResNet50 預訓練模型為基礎，建立了一個圖像分類模型。該模型在指定的資料集上進行訓練，並最終儲存為 "resnet50_model.h5"。

## 程式結構

### 1. 設定參數

EPOCHS = 400  # 訓練次數
BATCH_SIZE = 20  # 批數量

# 資料路徑
train_data_path = './train'
validation_data_path = './test'
num_classes = 10  # 分類數量

這部分設定了訓練的參數，包括訓練次數、批次大小、資料集路徑和分類數量。

### 2. 定義模型

base_model = ResNet50(weights='imagenet', include_top=False, input_shape=(224, 224, 3))

model = tf.keras.Sequential([
    base_model,
    tf.keras.layers.GlobalAveragePooling2D(),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(num_classes, activation='softmax')
])

這裡使用 ResNet50 作為預訓練模型的基礎，並在其上添加了全局平均池化層和密集連接層，最後是輸出層。

### 3. 凍結預訓練模型的權重

base_model.trainable = False

這部分凍結了預訓練模型的權重，以防止在訓練過程中更新。

### 4. 編譯模型

model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

模型編譯，使用 Adam 優化器和分類交叉熵損失。

### 5. 定義資料生成器

train_datagen = ImageDataGenerator(rescale=1./255)
validation_datagen = ImageDataGenerator(rescale=1./255)

使用 Keras 的 ImageDataGenerator 來進行資料增強。

### 6. 訓練模型

model.fit(train_generator,
          steps_per_epoch=len(train_generator),
          epochs=EPOCHS,
          validation_data=validation_generator,
          batch_size=BATCH_SIZE)

這裡使用了 `fit` 方法來訓練模型，並使用資料生成器來產生批次的資料。

### 7. 儲存模型

model.save('resnet50_model.h5')

最後，模型被儲存為 "resnet50_model.h5"。

## 結論

這個程式碼實現了一個使用 ResNet50 預訓練模型進行圖像分類的流程。你可以根據自己的需求調整參數、資料路徑和模型結構，以滿足特定的應用場景。

import tensorflow as tf
from tensorflow import keras
from keras.applications import ResNet50
from keras.preprocessing.image import ImageDataGenerator
import scipy
from scipy.ndimage import rotate
EPOCHS = 400 #訓練次數
BATCH_SIZE = 20 #批數量

# 資料路徑
train_data_path = './train'
validation_data_path = './test'
num_classes = 10
# 定義模型
base_model = ResNet50(weights='imagenet', include_top=False, input_shape=(224, 224, 3))

model = tf.keras.Sequential([
    base_model,
    tf.keras.layers.GlobalAveragePooling2D(),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(num_classes, activation='softmax')  # 請替換成你的分類數量
])

# 凍結預訓練模型的權重
base_model.trainable = False

# 編譯模型
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

# 定義資料生成器
train_datagen = ImageDataGenerator(rescale=1./255)
validation_datagen = ImageDataGenerator(rescale=1./255)

train_generator = train_datagen.flow_from_directory(
    train_data_path,
    target_size=(224, 224),
    batch_size=32,
    class_mode='categorical'  # 請根據你的資料集調整
)
print(train_generator.classes)
validation_generator = validation_datagen.flow_from_directory(
    validation_data_path,
    target_size=(224, 224),
    batch_size=32,
    class_mode='categorical'  # 請根據你的資料集調整
)

# 訓練模型
model.fit(train_generator,
          steps_per_epoch=len(train_generator),
          epochs=EPOCHS,
          validation_data=validation_generator,
          batch_size=BATCH_SIZE)


# 儲存模型
model.save('resnet50_model.h5')