零基础AI你需要知道的第一件利器！

如前文所述，采用海量数据训练出来的神经网络模型，可以保存和下载。

你所需要的，仅仅是类似这样一段指令：

fromkeras.applications.resnet50importResNet50

并不复杂，对吗？很多时候，难与易的分水岭，往往在于多一点点的好奇心。

指令中的Keras，便是本专栏为你推荐的第一件“AI利器”。

简单科普：

Keras是一个神经网络工具集，底层支持包括谷歌的Tensorflow、微软的CNTK等工具，它可以帮助我们更直观地构建神经网络，进行AI应用的快速验证。

ResNet是Google提出的多层神经网络模型之一，曾获ImageNet挑战赛冠军。

“工欲善其事，必先利其器”，有了工具与模型，你已经可以像百度AI开放平台一样，实现自己的图像识别！

我们把《零基础AI-揭秘图像识别》中的车图片作为输入x，用ResNet50作为识别模型，看看得到什么样的输出y。

核心指令也非常简单：

model = ResNet50(weights='imagenet')

y = model.predict(x)

识别结果如下：

该模型以37.57%的置信度认为是运动轿车，35.98%的置信度认为是跑车，22.45%的置信度认为图片中有轮胎！

后文中，我们将介绍如何用Keras搭建神经网络，并训练自己的模型。

附赠示例源码test.py

$ python test.py 可运行结果（有问题可私信）

from keras.applications.resnet50 import ResNet50

from keras.preprocessing import image

from keras.applications.resnet50 import preprocess_input, decode_predictions

import numpy as np

model = ResNet50(weights='imagenet')

img_path = './Lykan.jpeg'

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)

# decode the results into a list of tuples (class, description, probability)

# (one such list for each sample in the batch)

print('Predicted:', decode_predictions(preds, top=3)[0])