tensorflow实现迁移学习

最新推荐文章于 2023-08-22 00:00:21 发布

金小虾

最新推荐文章于 2023-08-22 00:00:21 发布

阅读量1.4k

点赞数 2

分类专栏：基础概念文章标签： tensorflow

本文链接：https://blog.csdn.net/jindaxiaoooo/article/details/109028003

版权

基础概念专栏收录该内容

15 篇文章 2 订阅

订阅专栏

准备工作：

1、下载数据集

打开cmd输入：wget http://download.tensorflow.org/example_images/flower_photos.tgz 下载数据集。

出现如下问题：wget 不是内部命令，所以要安装wget
在这里插入图片描述

1.1用 win10 快速安装 wget

步骤一，右击“命令提示符”，选择“以管理员身份运行”。
步骤二安装choco。输入这行代码 @"%SystemRoot%\System32\WindowsPowerShell\v1.0\powershell.exe" -NoProfile -InputFormat None -ExecutionPolicy Bypass -Command “iex ((New-Object System.Net.WebClient).DownloadString(‘https://chocolatey.org/install.ps1’))” && SET “PATH=%PATH%;%ALLUSERSPROFILE%\chocolatey\bin”
步骤三，验证是否装好。如果出现版本号。就说明安装成功啦。输入 choco
步骤四，开始装wget。输入 choco install wget
步骤五：验证是否装好wget。输入 wget -V 。记得V 是大写字母哈。

1.2装好就可以下载我想要下载的数据集啦

步骤一：输入：wget http://download.tensorflow.org/example_images/flower_photos.tgz 下载数据集。
步骤二：下载的好的数据集flower_photos.tgz如下：
步骤三：解压数据集flower_photos：
步骤四：解压完成如下：
步骤五：把解压文件移到新的文件夹==（在cmd中下载数据集的时候就可以选择在合适的文件夹中下载，我刚开始是忘记了，所以多了这一个步骤）==

在这里插入图片描述
解压之后的文件夹包含了 5 个子文件夹，每一个子文件夹的名称为一种花的名称，代表了不同的类别。平均每一种花有 734 张图片，每一张图片都是 RGB 色彩模式的，大小也不相同。和之前的样例不同，在这一节中给出的程序将直接处理没有整理过的图像数据。以下代码给出了如何将原始的图像数据整理成模型需要的输入数据。

2、tensorflow实现迁移学习

2.1 模型和样本路径的设置

BOTTLENECK_TENSOR_SIZE = 2048
BOTTLENECK_TENSOR_NAME = 'pool_3/_reshape:0'
JPEG_DATA_TENSOR_NAME = 'DecodeJpeg/contents:0'


# 下载训练好的模型，解压放到../datasets/inception_dec_2015目录
# wget https://storage.googleapis.com/download.tensorflow.org/models/inception_dec_2015.zip

MODEL_DIR = '../datasets/inception_dec_2015'
MODEL_FILE= 'tensorflow_inception_graph.pb'

# 下载flowers测试数据，解压放到../datasets/flower_photos目录
# wget http://download.tensorflow.org/example_images/flower_photos.tgz
# 每个子文件夹存放了对应类别的图片
INPUT_DATA = '../datasets/flower_photos'

# 因为一个训练数据集会被使用多次，所以可以将演示图像通过inception-v3模型
# 得到的特征向量保存在文件中，免去重复计算
CACHE_DIR = '../datasets/bottleneck'

# 验证的数据百分比
VALIDATION_PERCENTAGE = 10
# 测试的数据百分比
TEST_PERCENTAGE = 10

2.2 把样本中所有的图片列表并按训练、验证、测试数据分开

def create_image_lists(testing_percentage, validation_percentage):
    result = {}
    sub_dirs = [x[0] for x in os.walk(INPUT_DATA)]
    is_root_dir = True
    for sub_dir in sub_dirs:
        if is_root_dir:
            is_root_dir = False
            continue

        extensions = ['jpg', 'jpeg', 'JPG', 'JPEG']

        file_list = []
        #dir_name 文件名
        dir_name = os.path.basename(sub_dir)
        for extension in extensions:
            file_glob = os.path.join(INPUT_DATA, dir_name, '*.' + extension)
            file_list.extend(glob.glob(file_glob))
        if not file_list: continue

        label_name = dir_name.lower()
        
        # 初始化
        training_images = []
        testing_images = []
        validation_images = []
        for file_name in file_list:
            #路径文件名
            base_name = os.path.basename(file_name)
            
            # 随机划分数据
            chance = np.random.randint(100)
            if chance < validation_percentage:
                validation_images.append(base_name)
            elif chance < (testing_percentage + validation_percentage):
                testing_images.append(base_name)
            else:
                training_images.append(base_name)

        result[label_name] = {
            'dir': dir_name,
            'training': training_images,
            'testing': testing_images,
            'validation': validation_images,
            }
    return result

os.walk()
os.walk() 方法是一个简单易用的文件、目录遍历器，可以帮助我们高效的处理文件、目录方面的事情。

实例代码：

import os
INPUT_DATA = 'D:/objectdetection/dataset/test'
root   = [x[0] for x in os.walk(INPUT_DATA)]
print("root 所指的是当前正在遍历的这个文件夹的本身的地址:\n")
print(root,"\n")

dirs = [x[1] for x in os.walk(INPUT_DATA)]
print("dirs 是一个 list ，内容是该文件夹中所有的目录的名字(不包括子目录):\n")
print(dirs,"\n")

files = [x[2] for x in os.walk(INPUT_DATA)]
print("files 同样是 list , 内容是该文件夹中所有的文件(不包括子目录):\n")
print(files,"\n")

输出：

root 所指的是当前正在遍历的这个文件夹的本身的地址:
['D:/objectdetection/dataset/test', 'D:/objectdetection/dataset/test\\test1', 'D:/objectdetection/dataset/test\\test2', 'D:/objectdetection/dataset/test\\test3'] 

dirs 是一个 list ，内容是该文件夹中所有的目录的名字(不包括子目录):
[['test1', 'test2', 'test3'], [], [], []] 

files 同样是 list , 内容是该文件夹中所有的文件(不包括子目录):
[['TEST.txt'], ['1111.jpg', '2222.jpg', '3333.jpg'], ['4444.jpg', '5555.jpg', '6666.jpg'], ['7777.jpg', '8888.jpg', '9999.jpg']]

在这里插入图片描述

glob.glob

返回所有匹配的文件路径列表。它只有一个参数pathname，定义了文件路径匹配规则，这里可以是绝对路径，也可以是相对路径。

实例代码：

INPUT_DATA='D:/objectdetection/dataset/test'
extensions = ['jpg', 'jpeg', 'JPG', 'JPEG']

file_list = []
dir_name = "test1"

#file_glob文件路径匹配规则:D:/objectdetection/dataset/test\test1\*.jpg
file_glob = os.path.join(INPUT_DATA, dir_name, '*.' + "jpg")
print(file_glob)
#D:/objectdetection/dataset/test\test1文件夹的文件类型为“jpg”的文件
print(glob.glob(file_glob))

print("\n")
#file_glob文件路径匹配规则:D:/objectdetection/dataset/test\test1\*.jpg
file_glob = os.path.join(INPUT_DATA, dir_name, '*.' + "jpeg")
print(file_glob)
#D:/objectdetection/dataset/test\test1文件夹的文件类型为“jpeg”的文件
print(glob.glob(file_glob))

输出：

D:/objectdetection/dataset/test\test1\*.jpg
['D:/objectdetection/dataset/test\\test1\\1111.jpg', 'D:/objectdetection/dataset/test\\test1\\2222.jpg', 'D:/objectdetection/dataset/test\\test1\\3333.jpg']


D:/objectdetection/dataset/test\test1\*.jpeg
[]

在这里插入图片描述

lower()
转换字符串中所有大写字符为小写。

str = "THIS IS STRING EXAMPLE....WOW!!!"

print (str.lower())

输出：

this is string example....wow!!!

2.3 通过类别名称（label_name）、图片编号（index）获取一张图片的地址（full_path）。

def get_image_path(image_lists, image_dir, label_name, index, category):
    label_lists = image_lists[label_name]
    category_list = label_lists[category]
    mod_index = index % len(category_list)
    base_name = category_list[mod_index]
    sub_dir = label_lists['dir']
    full_path = os.path.join(image_dir, sub_dir, base_name)
    return full_path

2.3获取Inception-v3模型处理之后的特征向量的文件地址。

def get_bottleneck_path(image_lists, label_name, index, category):
    return get_image_path(image_lists, CACHE_DIR, label_name, index, category) + '.txt'

2.4使用加载的训练好的Inception-v3模型处理一张图片，得到这个图片的特征向量。

def run_bottleneck_on_image(sess, image_data, image_data_tensor, bottleneck_tensor):

    bottleneck_values = sess.run(bottleneck_tensor, {image_data_tensor: image_data})

    bottleneck_values = np.squeeze(bottleneck_values)
    return bottleneck_values

2.5先试图寻找已经计算且保存下来的特征向量，如果找不到则先计算这个特征向量，然后保存到文件。

def get_or_create_bottleneck(sess, image_lists, label_name, index, category, jpeg_data_tensor, bottleneck_tensor):
    label_lists = image_lists[label_name]
    sub_dir = label_lists['dir']
    sub_dir_path = os.path.join(CACHE_DIR, sub_dir)
    if not os.path.exists(sub_dir_path): os.makedirs(sub_dir_path)
    bottleneck_path = get_bottleneck_path(image_lists, label_name, index, category)
    if not os.path.exists(bottleneck_path):

        image_path = get_image_path(image_lists, INPUT_DATA, label_name, index, category)

        image_data = gfile.FastGFile(image_path, 'rb').read()

        bottleneck_values = run_bottleneck_on_image(sess, image_data, jpeg_data_tensor, bottleneck_tensor)

        bottleneck_string = ','.join(str(x) for x in bottleneck_values)
        with open(bottleneck_path, 'w') as bottleneck_file:
            bottleneck_file.write(bottleneck_string)
    else:

        with open(bottleneck_path, 'r') as bottleneck_file:
            bottleneck_string = bottleneck_file.read()
        bottleneck_values = [float(x) for x in bottleneck_string.split(',')]

    return bottleneck_values

2.6随机获取一个batch的图片作为训练数据。

def get_random_cached_bottlenecks(sess, n_classes, image_lists, how_many, category, jpeg_data_tensor, bottleneck_tensor):
    bottlenecks = []
    ground_truths = []
    for _ in range(how_many):
        label_index = random.randrange(n_classes)
        label_name = list(image_lists.keys())[label_index]
        image_index = random.randrange(65536)
        bottleneck = get_or_create_bottleneck(
            sess, image_lists, label_name, image_index, category, jpeg_data_tensor, bottleneck_tensor)
        ground_truth = np.zeros(n_classes, dtype=np.float32)
        ground_truth[label_index] = 1.0
        bottlenecks.append(bottleneck)
        ground_truths.append(ground_truth)

    return bottlenecks, ground_truths

2.7 获取全部的测试数据，并计算正确率。

def get_test_bottlenecks(sess, image_lists, n_classes, jpeg_data_tensor, bottleneck_tensor):
    bottlenecks = []
    ground_truths = []
    label_name_list = list(image_lists.keys())
    for label_index, label_name in enumerate(label_name_list):
        category = 'testing'
        for index, unused_base_name in enumerate(image_lists[label_name][category]):
            bottleneck = get_or_create_bottleneck(sess, image_lists, label_name, index, category,jpeg_data_tensor, bottleneck_tensor)
            ground_truth = np.zeros(n_classes, dtype=np.float32)
            ground_truth[label_index] = 1.0
            bottlenecks.append(bottleneck)
            ground_truths.append(ground_truth)
    return bottlenecks, ground_truths

2.8 定义主函数。

def main():
	# 神经网络设置
	LEARNING_RATE = 0.01
	STEPS = 4000
	BATCH = 100
    image_lists = create_image_lists(TEST_PERCENTAGE, VALIDATION_PERCENTAGE)
    n_classes = len(image_lists.keys())
    
    # #  二进制读取已经训练好的Inception-v3模型。
    with gfile.FastGFile(os.path.join(MODEL_DIR, MODEL_FILE), 'rb') as f:
        # 新建GraphDef文件，用于临时载入模型中的图 
        graph_def = tf.GraphDef()
        # GraphDef加载模型中的图
        graph_def.ParseFromString(f.read())
    bottleneck_tensor, jpeg_data_tensor = tf.import_graph_def(
        graph_def, return_elements=[BOTTLENECK_TENSOR_NAME, JPEG_DATA_TENSOR_NAME])

    # 定义新的神经网络输入
    bottleneck_input = tf.placeholder(tf.float32, [None, BOTTLENECK_TENSOR_SIZE], name='BottleneckInputPlaceholder')
    ground_truth_input = tf.placeholder(tf.float32, [None, n_classes], name='GroundTruthInput')
    
    # 定义一层全链接层
    with tf.name_scope('final_training_ops'):
        weights = tf.Variable(tf.truncated_normal([BOTTLENECK_TENSOR_SIZE, n_classes], stddev=0.001))
        biases = tf.Variable(tf.zeros([n_classes]))
        logits = tf.matmul(bottleneck_input, weights) + biases
        final_tensor = tf.nn.softmax(logits)
        
    # 定义交叉熵损失函数。
    cross_entropy = tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=ground_truth_input)
    cross_entropy_mean = tf.reduce_mean(cross_entropy)
    train_step = tf.train.GradientDescentOptimizer(LEARNING_RATE).minimize(cross_entropy_mean)
    
    # 计算正确率。
    with tf.name_scope('evaluation'):
        correct_prediction = tf.equal(tf.argmax(final_tensor, 1), tf.argmax(ground_truth_input, 1))
        evaluation_step = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

    with tf.Session() as sess:
        init = tf.global_variables_initializer()
        sess.run(init)
        # 训练过程。
        for i in range(STEPS):
 
            train_bottlenecks, train_ground_truth = get_random_cached_bottlenecks(
                sess, n_classes, image_lists, BATCH, 'training', jpeg_data_tensor, bottleneck_tensor)
            sess.run(train_step, feed_dict={bottleneck_input: train_bottlenecks, ground_truth_input: train_ground_truth})

            if i % 100 == 0 or i + 1 == STEPS:
                validation_bottlenecks, validation_ground_truth = get_random_cached_bottlenecks(
                    sess, n_classes, image_lists, BATCH, 'validation', jpeg_data_tensor, bottleneck_tensor)
                validation_accuracy = sess.run(evaluation_step, feed_dict={
                    bottleneck_input: validation_bottlenecks, ground_truth_input: validation_ground_truth})
                print('Step %d: Validation accuracy on random sampled %d examples = %.1f%%' %
                    (i, BATCH, validation_accuracy * 100))
            
        # 在最后的测试数据上测试正确率。
        test_bottlenecks, test_ground_truth = get_test_bottlenecks(
            sess, image_lists, n_classes, jpeg_data_tensor, bottleneck_tensor)
        test_accuracy = sess.run(evaluation_step, feed_dict={
            bottleneck_input: test_bottlenecks, ground_truth_input: test_ground_truth})
        print('Final test accuracy = %.1f%%' % (test_accuracy * 100))

if __name__ == '__main__':
    main()

gfile

https://blog.csdn.net/a373595475/article/details/79693430
https://blog.csdn.net/lanchunhui/article/details/71055213

tensorflow.python.platform.gfile 模块的主要角色是：1.提供一个接近Python文件对象的API，2.提供基于TensorFlow C ++ FileSystem API的实现。 gfile 已进一步提升至 tf.gfile 下。

gfile API介绍，下面将分别介绍每一个gfile API！

2-1）tf.gfile.Copy(oldpath, newpath, overwrite=False)

拷贝源文件并创建目标文件，无返回，其形参说明如下：

oldpath：带路径名字的拷贝源文件；

newpath：带路径名字的拷贝目标文件；

overwrite：目标文件已经存在时是否要覆盖，默认为false，如果目标文件已经存在则会报错
2-2）tf.gfile.MkDir(dirname)

创建一个目录，dirname为目录名字，无返回。
2-3）tf.gfile.Remove(filename)

删除文件，filename即文件名，无返回。
2-4）tf.gfile.DeleteRecursively(dirname)

递归删除所有目录及其文件，dirname即目录名，无返回。
2-5）tf.gfile.Exists(filename)

判断目录或文件是否存在，filename可为目录路径或带文件名的路径，有该目录则返回True，否则False。
2-6）tf.gfile.Glob(filename)

查找匹配pattern的文件并以列表的形式返回，filename可以是一个具体的文件名，也可以是包含通配符的正则表达式。
2-7）tf.gfile.IsDirectory(dirname)

判断所给目录是否存在，如果存在则返回True，否则返回False，dirname是目录名。
2-8）tf.gfile.ListDirectory(dirname)

罗列dirname目录下的所有文件并以列表形式返回，dirname必须是目录名。
2-9）tf.gfile.MakeDirs(dirname)

以递归方式建立父目录及其子目录，如果目录已存在且是可覆盖则会创建成功，否则报错，无返回。
2-10）tf.gfile.Rename(oldname, newname, overwrite=False)

重命名或移动一个文件或目录，无返回，其形参说明如下：

oldname：旧目录或旧文件；

newname：新目录或新文件；

overwrite：默认为false，如果新目录或新文件已经存在则会报错，否则重命名或移动成功。
2-11）tf.gfile.Stat(filename)

返回目录的统计数据，该函数会返回FileStatistics数据结构
2-12）tf.gfile.Walk(top, in_order=True)

递归获取目录信息生成器，top是目录名，in_order默认为True指示顺序遍历目录，否则将无序遍历，每次生成返回如下格式信息(dirname, [subdirname, subdirname, …], [filename, filename, …])。
2-13）tf.gfile.GFile(filename, mode)

获取文本操作句柄，类似于python提供的文本操作open()函数，filename是要打开的文件名，mode是以何种方式去读写，将会返回一个文本操作句柄。

tf.gfile.Open()是该接口的同名，可任意使用其中一个！
2-14）tf.gfile.FastGFile(filename, mode)

该函数与tf.gfile.GFile的差别仅仅在于“无阻塞”，即该函数会无阻赛以较快的方式获取文本操作句柄。文本操作句柄：在文件I/O中，要从一个文件读取数据，应用程序首先要调用操作系统函数并传送文件名，并选一个到该文件的路径来打开文件。该函数取回一个顺序号，即文件句柄（file handle），该文件句柄对于打开的文件是唯一的识别依据。要从文件中读取一块数据，应用程序需要调用函数ReadFile。
以二进制的方式读取模型文件：

from tensorflow.python.platform import gfile
MODEL_DIR = 'D:/objectdetection/models/inception_dec_2015'
MODEL_FILE= 'tensorflow_inception_graph.pb'
gfile.FastGFile(os.path.join(MODEL_DIR, MODEL_FILE), 'rb')

2-15）tf.import_graph_def

tf.import_graph_def(
    graph_def,
    input_map=None,
    return_elements=None,
    name=None,
    op_dict=None,
    producer_op_list=None
)

这个函数提供了一种方法来导入序列化的TensorFlow GraphDef协议缓冲区，并将GraphDef中的各个对象提取为tf.张量和tf.操作对象。一旦提取出来，这些对象就会被放到当前的默认图形中。

参数:

 - graph_def: 包含要导入到默认图中的操作的GraphDef proto。    
 - input_map:将graph_def中的输入名称(作为字符串)映射到张量对象的字典。输入图中指定的输入张量的值将被重新映射到相应的张量值。   
 - return_elements:在graph_def中包含操作名的字符串列表，将作为operationobject返回;和/或graph_def中的张量名称，它们将作为张量对象返回。    
 - name: (可选.) 将前缀放在graph_def中名称前面的前缀。注意，这并不适用于导入的函数名。默认为"import".   
 - op_dict: (可选.) 已弃用，请勿使用    
 - producer_op_list: (可选.)一个OpList原型，带有(可能是剥离的)图表生产者使用的OpDefs列表。如果提供了，那么根据producer_op_list的默认值，在graph_def中无法识别的opsattrs将被删除。这将允许稍后的二进制文件生成更多的graphdef被早期的二进制文件所接受。

 从导入的图中得到的与return_element中的名称相对应的操作和/或张量对象的列表。

金小虾

关注

2
点赞
踩
5

收藏

觉得还不错? 一键收藏
1
评论
tensorflow实现迁移学习

用 win10 快速安装 wget步骤一，右击“命令提示符”，选择“以管理员身份运行”。步骤二安装choco。输入这行代码 @"%SystemRoot%\System32\WindowsPowerShell\v1.0\powershell.exe" -NoProfile -InputFormat None -ExecutionPolicy Bypass -Command “iex ((New-Object System.Net.WebClient).DownloadString(‘https:.
复制链接

扫一扫