使用Tensorflow来读取训练数据(二)

本文实现training.py是如何编写的。

import os
import numpy as np
import tensorflow as tf
import input_data
import model

N_CLASSES = 2 # 二分类问题,只有是还是否,即0,1
IMG_W = 208 # resize the image, if the input image is too large, training will be very slow.
IMG_H = 208 # 图像为208*208的尺寸
BATCH_SIZE = 16
CAPACITY = 2000 # 队列最大容量2000
MAX_STEP = 10000 # with current parameters, it is suggested to use MAX_STEP>10k
learning_rate = 0.0001 # with current parameters, it is suggested to use learning rate<0.0001

定义开始训练的函数

def run_training():
# 训练的图片存放的位置
train_dir = ‘/Users/arcstone_mems_108/PycharmProjects/catsvsdogs/data/train/’
# 输出文件的位置
logs_train_dir = ‘/Users/arcstone_mems_108/PycharmProjects/catsvsdogs/logs/train/’
# 调用input_data文件的get_files()函数获得image_list, label_list
train, train_label = input_data.get_files(train_dir)
# 获得image_batch, label_batch
train_batch, train_label_batch = input_data.get_batch(train,
train_label,
IMG_W,
IMG_H,
BATCH_SIZE,
CAPACITY)
# 进行前向训练,获得回归值
train_logits = model.inference(train_batch, BATCH_SIZE, N_CLASSES)
# 计算获得损失值loss
train_loss = model.losses(train_logits, train_label_batch)
# 对损失值进行优化
train_op = model.trainning(train_loss, learning_rate)
# 根据计算得到的损失值,计算出分类准确率
train__acc = model.evaluation(train_logits, train_label_batch)
# 将图形、训练过程合并在一起
summary_op = tf.summary.merge_all()
# 新建会话
sess = tf.Session()
# 将训练日志写入到logs_train_dir的文件夹内
train_writer = tf.summary.FileWriter(logs_train_dir, sess.graph)
# 保存变量
saver = tf.train.Saver()
# 执行训练过程,初始化变量
sess.run(tf.global_variables_initializer())
# 创建一个线程协调器,用来管理之后在Session中启动的所有线程
coord = tf.train.Coordinator()
# 启动入队的线程,一般情况下,系统有多少个核,就会启动多少个入队线程(入队具体使用多少个线程在tf.train.batch中定义);
threads = tf.train.start_queue_runners(sess=sess, coord=coord)

try:
    for step in np.arange(MAX_STEP):
        # 使用 coord.should_stop()来查询是否应该终止所有线程,当文件队列(queue)中的所有文件都已经读取出列的时候,
        # 会抛出一个 OutofRangeError 的异常,这时候就应该停止Sesson中的所有线程了;
        if coord.should_stop():
            break
        _, tra_loss, tra_acc = sess.run([train_op, train_loss, train__acc])
        # 每50步打印一次损失值和准确率
        if step % 50 == 0:
            print('Step %d, train loss = %.2f, train accuracy = %.2f%%' % (step, tra_loss, tra_acc * 100.0))
            summary_str = sess.run(summary_op)
            train_writer.add_summary(summary_str, step)
        # 每2000步保存一次训练得到的模型
        if step % 2000 == 0 or (step + 1) == MAX_STEP:
            checkpoint_path = os.path.join(logs_train_dir, 'model.ckpt')
            saver.save(sess, checkpoint_path, global_step=step)
# 如果读取到文件队列末尾会抛出此异常
except tf.errors.OutOfRangeError:
    print('Done training -- epoch limit reached')
finally:
    coord.request_stop()       # 使用coord.request_stop()来发出终止所有线程的命令

coord.join(threads)            # coord.join(threads)把线程加入主线程,等待threads结束
sess.close()                   # 关闭会话

def main():
run_training()

if name == ‘main’:
main()

本文来自 小哥哥th 的CSDN 博客 ,原文地址请点击:
原文:https://blog.csdn.net/ZHANG781068447/article/details/80264815

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值