迁移学习：如何使用TensorFlow对图像进行分类

导言

在机器学习环境中，迁移学习是一种技术，使我们能够重用已经训练的模型并将其用于另一个任务。图像分类是将图像作为输入并为其分配具有概率的类（通常是标签）的过程。这个过程使用深度学习模型，即深度神经网络，或卷积神经网络（CNN）。CNN由多个层组成，这些层中的每一个都负责学习和识别特定特征。下层可以识别边缘等。最终确定图像类别。

本文将逐步介绍如何使用TensorFlow进行迁移学习。

安装TensorFlow

第一步，是配置本文使用的环境。有几种方法可以开始使用TensorFlow，最简答快速的方法是使用Docker：

安装完docker后，即可安装TensorFlow。可以使用docker hub下载TensorFlow。

选择适合你的版本。在本文中，我们使用的是1.12.0版本。devel发行版添加了一些其他功能，我们将在本文的后面使用它们。要安装TensorFlow docker镜像，请键入：

docker pull tensorflow/tensorflow:devel-1.12.0

等待安装完成，这样我们就具备的所需要的环境。

图像数据集

安装TensorFlow后，可以选择我们想要用来训练模型的数据集。有几个图像数据集可用。有趣的是，即使更改了图像数据集，也可以使用相同的操作步骤。要创建TensorFlow模型，我们将使用猫的图像数据集。用于训练机器学习模型和应用迁移学习的完美图像数据集。让我们下载图像数据集并解压缩。

创建目录图像结构

为了应用迁移学习，需要根据猫的品种对图像进行分组。让我们创建一个名为tensor的新目录，并在此目录下建一个新目录cat-images。图像结构应该是：

现在，启动TensorFlow图像：

docker run -it -p 6006:6006            -v /Users/francesco/Desktop/tensor/:/tensor_flow                 your_tensorflow_docker_name6006 
           -v /Users/francesco/Desktop/tensor/:/tensor_flow      
           your_tensorflow_docker_name

使用TensorFlow创建机器学习自定义模型

我们准备创建自定义模型。让我们拷贝存储库tensorflow-for-poets：

git clone https://github.com/googlecodelabs/tensorflow-for-poets-2

通过这种方式，我们可以使用脚本轻松创建模型，现在我们就开始训练模型了：

python tensorflow-for-poets-2/scripts/retrain.py --model_dir=/tensor_flow/inception-v3  --output_graph=/tensor_flow/cats_retrained.pb --output_labels=/tensor_flow/cats_labels.txt  --image_dir=/tensor_flow/cat-images/  --bottleneck_dir=/tensor_flow/cats_bottleneck-2/scripts/retrain.py 
--model_dir=/tensor_flow/inception-v3  
--output_graph=/tensor_flow/cats_retrained.pb 
--output_labels=/tensor_flow/cats_labels.txt  
--image_dir=/tensor_flow/cat-images/  
--bottleneck_dir=/tensor_flow/cats_bottleneck

有以下几点需要注意：

• --model_dir 是存储模型的位置（在本例中为tensor_flow）

• --output_graph 是我们将创建的图表名称（cats_retrained.pb）

• --output_labels 是标签的名称（cats_labels.txt）

• --image_dir 是存储图像以训练模型的位置

• --bottleneck_dir 是创建bottleneck的位置

【Tips】：“bottleneck”是一个非正式的术语，经常在实际进行分类的最终输出层之前使用该层。

这一步骤需要大量的时间，具体取决于电脑的功能和使用的迭代次数。

使用TensorFlow Board分析模型

当机器学习模型准备就绪，且训练过程完成，我们就可以分析模型。这是非常重要的一点，因为它可以评估我们创建的模型。输入以下命令：

tensorboard --logdir /tmp/retrain_logs/

这条命令是运行TensorFlow Board。使用浏览器，打开dashboard，键入：

localhost:6006以访问Web控制台。

选择图表，将能够看到模型：

现在，在顶部菜单上选择SCALARS以评估模型，下图展示了模型的准确性：

训练精度是系统用于训练模型的图像的分类精度。验证准确性是训练过程中未使用的图像的准确性。验证准确性是模型的“真实”准确度。通常，它应该小于训练精度。

如果训练精度高于验证精度，则创建的模型过度拟合。这意味着该模型不能很好的概括测试数据，在相反的情况下，模型是不适合的，所以应该对其进行改进。

下图显示了entropy，这条曲线应该是下降的。

如何测试TensorFlow模型

当我们对模型满意，就可以测试它了：

bazel-bin/tensorflow/examples/label_image/label_image   --graph=/tensor_flow/cats_retrained.pb   --image=/tmp/lab1.jpg   --input_layer=Mul   --output_layer=final_result   --labels=/tensor_flow/cats_labels.txt/tensor_flow/cats_retrained.pb  
 --image=/tmp/lab1.jpg  
 --input_layer=Mul  
 --output_layer=final_result  
 --labels=/tensor_flow/cats_labels.txt

我们用下图来测试模型：

结果如下所示：

如图所示，模型正确的检测出了猫的品种。

长按二维码 ▲

订阅「架构师小秘圈」公众号

如有启发，帮我点个在看，谢谢↓