巧妙利用TFlearn训练自己的数据集（一）

最新推荐文章于 2019-11-22 21:31:14 发布

LtveM

最新推荐文章于 2019-11-22 21:31:14 发布

阅读量7.9k

点赞数 4

分类专栏： TensorFlow 机器视觉

本文链接：https://blog.csdn.net/LtveM/article/details/77943355

版权

本文介绍如何利用TFlearn的高级API训练个人收集的图像数据集。通过修改示例代码，如Alexnet，将原本用于Oxford17数据集的网络应用于自己的10分类图像数据。关键步骤包括替换数据、删除原有分类文件，以及注意图片尺寸和卷积核大小的调整。作者计划后续分享训练CIFAR10数据集网络的方法。

摘要由CSDN通过智能技术生成

本人研究方向为目标分类识别。

研究生阶段的研究创新点已经初具规模，老师要求多有对比实验。

利用其他经典网络来训练自己收集的图片训练集，是我想到比较直观的办法。TFlearn是Tensorflwo的一个高级API，里面有各种已经写好的网络代码示例，简单明了。（具体关于TFLearn的资料，大家自己去百度）

在TFlearn文件夹下examples/images/里面有许多图像分类的网络可用，但缺点是里面的网络用的数据Oxford17 ,Cifar10 , Mnist三大经典数据集，而且每个网络的数据导入函数又关联到其他函数，好不麻烦！！！

经过投机取巧的思考，如训练自己的数据集，解决方法如下：

以使用Oxford17数据集为代表的Alexnet为例：

Alexnet代码如下

from __future__ import division, print_function, absolute_import

import tflearn
from tflearn.layers.core import input_data, dropout, fully_connected
from tflearn.layers.conv import conv_2d, max_pool_2d
from tflearn.layers.normalization impor