1.实现效果：

实际图像：

（1）EfficientNetB0预测的前三个中第一个结果：whippet（惠佩特犬）——0.18034123
（2）EfficientNetB1预测的前三个中第一个结果：Ibizan_hound（古老犬）——0.18319356
（3）EfficientNetB6预测的前三个中第一个结果：Walker_hound（步行猎犬）—— 0.1849944
（4）EfficientNetB7预测的前三个中第一个结果：whippet（惠佩特犬）0.32211745

2.结果分析：

从预测的结果上来看，都预测成了狗的类别，只是预测的具体狗的类型不同，但是从图像上来看，这应该是属于“梗犬”，属于预测的结果是错误的（但是仅凭一张图说明不了什么问题），可以从预测的概率上来看，EfficientNetB7预测的概率值明显大于前面的三个模型，但是同时EfficientNetB7的模型也比之前的三个模型大很多，所以预测的效果也要好很多，但是模型大对于计算量也很大，训练的时候对于硬件的要求也很高，所以选择一种折中的方法比较好。
关于ResNet50和ResNet101：
https://mydreamambitious.blog.csdn.net/article/details/123906833
关于VGG16和VGG19：
https://mydreamambitious.blog.csdn.net/article/details/123906643
关于InceptionV3（159层）,Xception（126层）,Inception_ResNet_V2（572层）：
https://mydreamambitious.blog.csdn.net/article/details/123907490
关于MobileNet（88层）和MobileNetV2（88层）：
https://mydreamambitious.blog.csdn.net/article/details/123907955
关于DenseNet121(121层）,DenseNet169(169层),DenseNet201(201层)：
https://mydreamambitious.blog.csdn.net/article/details/123908742

3.主文件：TransorEfficientNetBx.py:

import os
import cv2
import tensorflow
import numpy as np
from PIL import Image
from tensorflow import keras
from tensorflow.keras.preprocessing import image
import tensorflow.keras.applications.efficientnet
from tensorflow.keras.preprocessing.image import img_to_array
from tensorflow.keras.applications.efficientnet import preprocess_input,decode_predictions

def load_EfficientNetB0():
    #加载InceptionV3并且保留顶层（也就是全连接层）
    model_EfficientNetB0=tensorflow.keras.applications.efficientnet.EfficientNetB0(weights='imagenet')

    #图形路径
    curr_path=os.getcwd()
    img_path=curr_path+'\\images\\train\\dog\\1.jpg'
    #将图像转换为网络需要的大小，因为我们这里加载的模型都是固定输入大小224*224
    img=image.load_img(img_path,target_size=(224,224))
    #首先需要转换为向量的形式
    img_out=image.img_to_array(img)
    #扩充维度
    img_out=np.expand_dims(img_out,axis=0)
    #对输入的图像进行处理
    img_out=preprocess_input(img_out)
    # decode the results into a list of tuples (class, description, probability)
    # (one such list for each sample in the batch)
    #上面这段话的意思是输出包括（类别，图像描述，输出概率）
    preds=model_EfficientNetB0.predict(img_out)
    #输出前三个结果的可能性
    print('Predicted: ',decode_predictions(preds,top=3)[0])
    print('Predicted: ',decode_predictions(preds,top=3))


def load_EfficientNetB1():
    # 加载Xception并且保留顶层（也就是全连接层）
    model_EfficientNetB1 =tensorflow.keras.applications.efficientnet.EfficientNetB1(weights='imagenet')

    # 图形路径
    img_path = 'images/train/dog/1.jpg'
    # 将图像转换为网络需要的大小，因为我们这里加载的模型都是固定输入大小224*224
    img = image.load_img(img_path, target_size=(240, 240))
    # 首先需要转换为向量的形式
    img_out = image.img_to_array(img)
    # 扩充维度
    img_out = np.expand_dims(img_out, axis=0)
    # 对输入的图像进行处理
    img_out = preprocess_input(img_out)
    # decode the results into a list of tuples (class, description, probability)
    # (one such list for each sample in the batch)
    # 上面这段话的意思是输出包括（类别，图像描述，输出概率）
    preds = model_EfficientNetB1.predict(img_out)
    # 输出前三个结果的可能性
    print('Predicted: ', decode_predictions(preds, top=3)[0])
    print('Predicted: ', decode_predictions(preds, top=3))
def load_EfficientNetB6():
    #加载InceptionV3并且保留顶层（也就是全连接层）
    model_EfficientNetB6=tensorflow.keras.applications.efficientnet.EfficientNetB6(weights='imagenet')

    #图形路径
    curr_path=os.getcwd()
    img_path=curr_path+'\\images\\train\\dog\\1.jpg'
    #将图像转换为网络需要的大小，因为我们这里加载的模型都是固定输入大小224*224
    img=image.load_img(img_path,target_size=(528,528))
    #首先需要转换为向量的形式
    img_out=image.img_to_array(img)
    #扩充维度
    img_out=np.expand_dims(img_out,axis=0)
    #对输入的图像进行处理
    img_out=preprocess_input(img_out)
    # decode the results into a list of tuples (class, description, probability)
    # (one such list for each sample in the batch)
    #上面这段话的意思是输出包括（类别，图像描述，输出概率）
    preds=model_EfficientNetB6.predict(img_out)
    #输出前三个结果的可能性
    print('Predicted: ',decode_predictions(preds,top=3)[0])
    print('Predicted: ',decode_predictions(preds,top=3))

def load_EfficientNetB7():
    #加载InceptionV3并且保留顶层（也就是全连接层）
    model_EfficientNetB7=tensorflow.keras.applications.efficientnet.EfficientNetB7(weights='imagenet')

    #图形路径
    curr_path=os.getcwd()
    img_path=curr_path+'\\images\\train\\dog\\1.jpg'
    #将图像转换为网络需要的大小，因为我们这里加载的模型都是固定输入大小224*224
    img=image.load_img(img_path,target_size=(600,600))
    #首先需要转换为向量的形式
    img_out=image.img_to_array(img)
    #扩充维度
    img_out=np.expand_dims(img_out,axis=0)
    #对输入的图像进行处理
    img_out=preprocess_input(img_out)
    # decode the results into a list of tuples (class, description, probability)
    # (one such list for each sample in the batch)
    #上面这段话的意思是输出包括（类别，图像描述，输出概率）
    preds=model_EfficientNetB7.predict(img_out)
    #输出前三个结果的可能性
    print('Predicted: ',decode_predictions(preds,top=3)[0])
    print('Predicted: ',decode_predictions(preds,top=3))



if __name__ == '__main__':
    print('Pycharm')
    print('EfficientNetB0: \\n')
    load_EfficientNetB0()
    print('EfficientNetB1: \\n')
    load_EfficientNetB1()
    print('EfficientNetB6: \\n')
    load_EfficientNetB6()
    print('EfficientNetB7: \\n')
    load_EfficientNetB7()