Inception-v3可视化及图片分类小实例

本文使用Tensorflow1.11，Python3.6编写。Inception-v3原理不是本文重点，感兴趣的可以参考相关论文。

1、使用Tensorboard可视化Inception-v3

import tensorflow as tf
import os
import tarfile
import requests
#inception模型下载地址(最好只用下载软件手动下载，否则速度太慢)
inception_pretrain_model_url = "http://download.tensorflow.org/models/image/imagenet/inception-2015-12-05.tgz"
#模型存放地址,
inception_pretrain_model_dir = "inception_model"   #此文件夹如果不存在会自动创建
if not os.path.exists(inception_pretrain_model_dir):
    os.makedirs(inception_pretrain_model_dir)
#获取文件名，以及文件路径
filename = inception_pretrain_model_url.split('/')[-1]
filepath = os.path.join(inception_pretrain_model_dir, filename)
#下载模型
if not os.path.exists(filepath):
    print("download: ", filename)
    r = requests.get(inception_pretrain_model_url, stream=True)
    with open(filepath, 'wb') as f:
        for chunk in r.iter_content(chunk_size=1024):
            if chunk:
                f.write(chunk)
print("finish: ", filename)

#解压文件
tarfile.open(filepath, 'r:gz').extractall(inception_pretrain_model_dir)
#模型结构存放文件
log_dir = 'inception_log'
if not os.path.exists(log_dir):
    os.makedirs(log_dir)
#classify_image_graph_def.pb为google训练好的模型
inception_graph_def_file = os.path.join(inception_pretrain_model_dir, 'classify_image_graph_def.pb')
#'classify_image_graph_def.pb'为inception-v3中训练好的一个模型
with tf.Session() as sess:
    #创建一个图来存放google训练好的模型
    with tf.gfile.FastGFile(inception_graph_def_file, 'rb') as f:
        graph_def = tf.GraphDef()
        graph_def.ParseFromString(f.read())
        tf.import_graph_def(graph_def, name='')
        #保存图的结构
    writer = tf.summary.FileWriter(log_dir, sess.graph)
    writer.close()

 在tensorboard中打开log_dir即可看到网络结构：

其中重点是mix结构，展开可以看到：

2、使用inception-v3进行图片分类，代码已经详细注释，不多解释

import tensorflow as tf
import os
import numpy as np
import re
from PIL import Image
import matplotlib.pyplot as plt

class NodeLookup(object):
    def __init__(self):
        #imagenet_2012_challenge_label_map_proto.pbtxt文件说明：
        #LabelMap from ImageNet 2012 full data set UID to int32 target class
        #包含target_class,共计1000个分类（int32），每个分类对应一个target_class_string（UID：imagenet_synset_to_human_label_map.txtimagenet_synset_to_human_label_map.txt）
        label_lookup_path = 'inception_model/imagenet_2012_challenge_label_map_proto.pbtxt'
        #imagenet_synset_to_human_label_map.txt文件说明：
        #target_class_string（UID）与对应的描述,如：n00007846对应person, individual, someone, somebody, mortal, soul
        uid_lookup_path = 'inception_model/imagenet_synset_to_human_label_map.txt'
        self.node_lookup = self.load(label_lookup_path, uid_lookup_path)
     
    #f返回分类编号1-1000对应分类名称的映射关系的字典
    def load(self, label_lookup_path, uid_lookup_path):
        # 加载分类字符串n***********对应分类名称的文件
        proto_as_ascii_lines = tf.gfile.GFile(uid_lookup_path).readlines()
        uid_to_human = {}
        for line in proto_as_ascii_lines:
            line = line.strip('\n')
            parsed_items = line.split('\t')
            uid = parsed_items[0]  # uid如n15092227
            human_string = parsed_items[1] #对应的描述
            uid_to_human[uid] = human_string#将uid与描述之间的映射存储为字典形式 
         
        #将在分类字符串n*****对应分类编号1-1000的文化
        proto_as_ascii = tf.gfile.GFile(label_lookup_path).readlines()
        node_id_to_uid = {}
        for line in proto_as_ascii:
            #获取分类编号1-1000
            if line.startswith('  target_class:'):
                target_class = int(line.split(': ')[1])
            #获取编号字符串n*****
            if line.startswith('  target_class_string:'):
                target_class_string = line.split(': ')[1]
                #保存分类编号1-1000与编号字符串n********的映射关系
                node_id_to_uid[target_class] = target_class_string[1: -2] #0和-1是引号，不需要
        
        #建立分类编号1-1000对应分类名称的映射关系
        node_id_to_name = {}
        for key, val in node_id_to_uid.items(): #key:分类编号 val:编号字符串
            name = uid_to_human[val]   #name:类别描述
            node_id_to_name[key] = name
        return node_id_to_name
    
    #传入分类编号1-1000，对应分类名称的映射关系
    def id_to_string(self, node_id):
        if node_id not in self.node_lookup:
            return ''
        return self.node_lookup[node_id]
 
 
# 创建一个图来存放google调整好的模型
with tf.gfile.FastGFile('inception_model/classify_image_graph_def.pb', 'rb') as f:
    graph_def = tf.GraphDef()
    graph_def.ParseFromString(f.read())
    tf.import_graph_def(graph_def, name='')

with tf.Session() as sess:
    #在会话中引进softmax的分类器，用softmax分类器进行预测，其中得到的predictions是二维的
    softmax_tensor = sess.graph.get_tensor_by_name('softmax:0')
    # 遍历目录
    for root, dirs, files in os.walk('images/'): #root:/images dirs:子目录，此处为空，files是图片
        for file in files:
            image_data = tf.gfile.FastGFile(os.path.join(root, file), 'rb').read()
            predictions = sess.run(softmax_tensor, {'DecodeJpeg/contents:0': image_data}) #图片是jpg格式
            predictions = np.squeeze(predictions)#把结果转换为1维
 
            #打印图片路径和名称
            image_path = os.path.join(root, file)
            print(image_path)
            
            #显示图片
            img = Image.open(image_path)
            plt.imshow(img)
            plt.axis('off')
            plt.show()
             
            #排序(概率从小到大)
            top_k = predictions.argsort()[-5:][::-1]#取概率最大的五个值，并进行倒序(从大到小)
            node_lookup = NodeLookup()
            for node_id in top_k:
                #获取分类名称
                human_string = node_lookup.id_to_string(node_id)
                #获取分类对应的概率
                score = predictions[node_id]
                print('%s (score=%.5f)' % (human_string, score))
            print()

结果如下：