Tensorflow学习笔记：CNN篇（9）——Finetuning，复用ImageNet的VGGNet进行图像识别

Tensorflow学习笔记：CNN篇（9）——Finetuning，复用在ImageNet已训练好的VGGNet进行图像识别

---

前序

— 到目前为止，对于模型的设计和训练，读者可能已经较为熟悉，如果读者已经能够使用设计出的模型进行训练并取得较好的结果，那么，恭喜你，你对Tensorflowd程序的编写已经可以说更上了一层台阶。
— 但是在实际工程或者商业使用中，模型的训练并不都是由程序设计人员独立训练，而是通过复用已有的神经网络模型，导入已训练好的权重数据，从而实现图像的分解的目的。
— VGGNet是最常用的深度学习模型，在各种图片分类和更深一步的语义识别、图像分割上都有好的表现，因此作为最常用的深度学习基础模型被大量采用。

---

代码示例

Step 1: npz文件的读取

对于复用的VGG模型（在imagenet进行训练的模型），首先第一步是要获得相应的权重文件和对应的分类文件，读者可以在以下地址下载相应的文件。
权重文件：http://www.cs.toronto.edu/~frossard/vgg16/vgg16_weights.npz
分类文件：http://www.cs.toronto.edu/~frossard/vgg16/imagenet_classes.py

对于下载下的vgg16_weights.npz文件的说明，需要了解npz文件格式是Numpy包中自带的一种专用的二进制文件存储格式，并且Numpy提供了很多种存取其内容的文件操作函数，可通过自带的load函数对其进行载入，之后将其作为字典赋值给vgg_dict变量，而对其读取可以使用类似字典的方式进行。

import numpy as np
vgg_dict = np.load('./vgg16_weights.npz')
print(vgg_dict.keys())
print(vgg_dict["conv1_1_W"])

Step 2: 复用的VGGNet模型定义

对于复用模型来说，最关键的一步就是复用其中已训练好的权重参数，而通过load方式，可以将其中所包含的数据以字典的形式读出，之后根据参数的不同予以载入。
1. 第一步：定义VGGNet的复用类
首先是对于类的定义，前面已经说过，如果想要复用已经训练完毕的权重参数，则需要在模型中将其作为参数输入。而类中输入参数的方式就是将参数在整个类中共享，故在类的初始化中加入一个全局列表，将所需要共享的参数加载至类中。代码如下：

def __init__(self, imgs):
        self.parameters = [] ##关键语句
        self.imgs = imgs
        self.convlayers()
        self.fc_layers()
        self.probs = tf.nn.softmax(self.fc8)

init中定义的参数与自训练的类中的相同，但是多设置了一个parameter列表，其作用就是将各个层产生的数据以列表元素的方式加载至其中。

def conv(self,name, input_data, out_channel):
        in_channel = input_data.get_shape()[-1]
        with tf.variable_scope(name):
            kernel = tf.get_variable("weights", [3, 3, in_channel, out_channel], dtype=tf.float32)
            biases = tf.get_variable("biases", [out_channel], dtype=tf.float32)
            conv_res = tf.nn.conv2d(input_data, kernel, [1, 1, 1, 1], padding="SAME")
            res = tf.nn.bias_add(conv_res, biases)
            out = tf.nn.relu(res, name=name)
        self.parameters += [kernel, biases] ##关键语句
        return out

同样在卷积层方法定义时，在所有参数定义后，需要一个将参数加载到对应的列表中的方法，即使用self.parameters += [kernel,