tf-slim是一个新的轻量级高级API,可以定义、训练和评估复杂的模型。模型在[1]中
。这个文件夹包括了使用TF-slim训练和评估一些常用卷积神经网络图像分类模型。它也包括了一些脚本允许你从预训练的网络权重中finetune的脚本
。当然也包括了下载图像数据集的代码,把他们转化成Tensorflow原始的TFRecord格式并且把他们度处理啊。你可以很容易地训练这些模型在任何
这些下载的数据集上。
1. 下载数据集
$ DATA_DIR=/host/tmp/data/flowers
$ python download_and_convert_data.py \
--dataset_name=flowers \
--dataset_dir="${DATA_DIR}"
2. 开始finetune
$ DATASET_DIR=/host/tmp/flowers
$ TRAIN_DIR=/host/tmp/flowers-models/inception_v3
$ CHECKPOINT_PATH=/host/tmp/my_checkpoints/inception_v3.ckpt
$ python train_image_classifier.py \
--train_dir=${TRAIN_DIR} \
--dataset_dir=${DATASET_DIR} \
--dataset_name=flowers \
--dataset_split_name=train \
--model_name=inception_v3 \
--checkpoint_path=${CHECKPOINT_PATH} \
--checkpoint_exclude_scopes=InceptionV3/Logits,InceptionV3/AuxLogits \
--trainable_scopes=InceptionV3/Logits,InceptionV3/AuxLogits
会遇到错误Cannot assign a device for operation,更改train_image_classifier.py的clone_on_cpu为True
[1] https://github.com/tensorflow/models/tree/master/research/slim
。这个文件夹包括了使用TF-slim训练和评估一些常用卷积神经网络图像分类模型。它也包括了一些脚本允许你从预训练的网络权重中finetune的脚本
。当然也包括了下载图像数据集的代码,把他们转化成Tensorflow原始的TFRecord格式并且把他们度处理啊。你可以很容易地训练这些模型在任何
这些下载的数据集上。
1. 下载数据集
$ DATA_DIR=/host/tmp/data/flowers
$ python download_and_convert_data.py \
--dataset_name=flowers \
--dataset_dir="${DATA_DIR}"
2. 开始finetune
$ DATASET_DIR=/host/tmp/flowers
$ TRAIN_DIR=/host/tmp/flowers-models/inception_v3
$ CHECKPOINT_PATH=/host/tmp/my_checkpoints/inception_v3.ckpt
$ python train_image_classifier.py \
--train_dir=${TRAIN_DIR} \
--dataset_dir=${DATASET_DIR} \
--dataset_name=flowers \
--dataset_split_name=train \
--model_name=inception_v3 \
--checkpoint_path=${CHECKPOINT_PATH} \
--checkpoint_exclude_scopes=InceptionV3/Logits,InceptionV3/AuxLogits \
--trainable_scopes=InceptionV3/Logits,InceptionV3/AuxLogits
会遇到错误Cannot assign a device for operation,更改train_image_classifier.py的clone_on_cpu为True
[1] https://github.com/tensorflow/models/tree/master/research/slim