keras提供了VGG19在ImageNet上的預訓練權重模型文件，其他可用的模型還有VGG16、Xception、ResNet50、InceptionV3 4個。
VGG19在keras中的定義：
def VGG19(include_top=True, weights='imagenet',
input_tensor=None, input_shape=None,
pooling=None,
classes=1000)
-
include_top: 是否包含最后的3個全連接層
-
weights： 定義為‘imagenet’，表示加載在imagenet數據庫上訓練的預訓練權重，定義為None則不加載權重，參數隨機初始化
不包含全連接層的VGG19模型文件名稱是" vgg19_weights_tf_dim_ordering_tf_kernels_notop.h5 " ，文件大小約80MB;
包含全連接層的VGG19模型文件名稱是 " vgg19_weights_tf_dim_ordering_tf_kernels.h5 " ，文件大小約575MB
ubuntu中，下載的VGG19模型文件的本地路徑是 ～/.keras/models/ ， .keras是一個隱藏文件夾。可以預先下載模型文件放到對應目錄下，程序執行時檢測到存在模型文件就不會再下載了。
使用VGG19預訓練模型分類圖片的例子
# coding: utf-8
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', include_top=True)
img_path = 'cat.jpg'
img = image.load_img(img_path, target_size=(224, 224)) # 加載圖像，歸一化大小
x = image.img_to_array(img) # 序列化
x = np.expand_dims(x, axis=0) # 展開
x = preprocess_input(x) # 預處理到0～1
out = base_model.predict(x) # 預測結果，1000維的向量
print(out.shape) # (1,1000)
程序首先加載帶3個全連接層的VGG19模型，然后讀入圖片並做格式轉換和歸一化等處理后執行VGG模型預測，預測結果out是一個1000維的向量，代表了預測結果分別屬於10000個分類的概率，形狀是（1,1000），out內容如下：
使用VGG19預訓練模型提取VGG19網絡中任意層的輸出特征的例子
上個例子可以看到keras對VGG網絡的封裝異常好，簡單幾行代碼就可以分類圖片。keras中VGG預訓練參數模型另一個更常用的應用是可以提取VGG網絡中任意一層的特征。
以下例子提取的是VGG19網絡中第5個卷積層的輸出特征（也是第1個全連接層的輸入特征）
# coding: utf-8
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', include_top=False)
model = Model(inputs=base_model.input, outputs=base_model.get_layer('block5_pool').output)
img_path = 'cat.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)
block5_pool_features = model.predict(x)
print(block5_pool_features.shape) #(1, 7, 7, 512)
base_model.get_layer('block5_pool')中的block5_pool參數定義了獲取的是第5個卷積層的輸出。第5層的輸出是一個 1×7×7×512的向量，如下：
也可以設置為加載最后3個全連接層的VGG19網絡，就可以獲取最后3個全連接層的輸出了：
# coding: utf-8
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', include_top=True)
model = Model(inputs=base_model.input, outputs=base_model.get_layer('fc2').output)
img_path = 'cat.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)
fc2 = model.predict(x)
print(fc2.shape) #(1, 4096)
加了全連接層，所以base_model.get_layer('fc2') 里參數也可以是 flatten、fc1、fc2和predictions 。
VGG19各個模塊在keras中定義的名稱如下，可以根據名稱輕松獲取該層特征：
