keras提供了VGG19在ImageNet上的预训练权重模型文件，其他可用的模型还有VGG16、Xception、ResNet50、InceptionV3 4个。
VGG19在keras中的定义：
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个全连接层
weights： 定义为‘imagenet’，表示加载在imagenet数据库上训练的预训练权重，定义为None则不加载权重，参数随机初始化
包含最后3个全连接层的VGG19模型下载地址： /fchollet/deep-learning-models/releases/download/v0.1/vgg19_weights_tf_dim_ordering_tf_kernels.h5
不包含最后3个全连接层的VGG19模型下载地址： /fchollet/deep-learning-models/releases/download/v0.1/vgg19_weights_tf_dim_ordering_tf_kernels_notop.h5
不包含全连接层的VGG19模型文件名称是" vgg19_weights_tf_dim_ordering_tf_kernels_notop.h5 " ，文件大小约80MB;
包含全连接层的VGG19模型文件名称是 " vgg19_weights_tf_dim_ordering_tf_kernels.h5 " ，文件大小约575MB
ubuntu中，下载的VGG19模型文件的本地路径是 ～/.keras/models/ ， .keras是一个隐藏文件夹。可以预先下载模型文件放到对应目录下，程序执行时检测到存在模型文件就不会再下载了。
使用VGG19预训练模型分类图片的例子
# coding: utf-8from keras.applications.vgg19 import VGG19from keras.preprocessing import imagefrom keras.applications.vgg19 import preprocess_inputfrom keras.models import Modelimport numpy as npbase_model = VGG19(weights='imagenet', include_top=True)img_path = 'cat.jpg'img = image.load_img(img_path, target_size=(224, 224)) # 加载图像，归一化大小x = image.img_to_array(img) # 序列化x = np.expand_dims(x, axis=0) # 展开x = preprocess_input(x) # 预处理到0～1out = base_model.predict(x) # 预测结果，1000维的向量print(out.shape) # (1,1000)
程序首先加载带3个全连接层的VGG19模型，然后读入图片并做格式转换和归一化等处理后执行VGG模型预测，预测结果out是一个1000维的向量，代表了预测结果分别属于10000个分类的概率，形状是（1,1000），out内容如下：
使用VGG19预训练模型提取VGG19网络中任意层的输出特征的例子
上个例子可以看到keras对VGG网络的封装异常好，简单几行代码就可以分类图片。keras中VGG预训练参数模型另一个更常用的应用是可以提取VGG网络中任意一层的特征。
以下例子提取的是VGG19网络中第5个卷积层的输出特征（也是第1个全连接层的输入特征）
# coding: utf-8from keras.applications.vgg19 import VGG19from keras.preprocessing import imagefrom keras.applications.vgg19 import preprocess_inputfrom keras.models import Modelimport numpy as npbase_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参数定义了获取的是第5个卷积层的输出。第5层的输出是一个 1×7×7×512的向量，如下：
也可以设置为加载最后3个全连接层的VGG19网络，就可以获取最后3个全连接层的输出了：
# coding: utf-8from keras.applications.vgg19 import VGG19from keras.preprocessing import imagefrom keras.applications.vgg19 import preprocess_inputfrom keras.models import Modelimport numpy as npbase_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)
加了全连接层，所以base_model.get_layer('fc2') 里参数也可以是 flatten、fc1、fc2和predictions 。
