Tensorflow学习笔记：CNN篇（10）——Finetuning，猫狗大战，VGGNet的重新针对训练

Tensorflow学习笔记：CNN篇（10）——Finetuning，猫狗大战，VGGNet的重新针对训练

---

前序

— 在前面的例子中，对使用已在ImageNet上训练好的VGGNet模型进行图像预测已经获得了成功，但是对于使用Tensorflow进行图片预测的人员来说，不是泛化的使用VGGNet在本身模型参数所带的1000个类别中判断所属或者近似的类别，而是对其更进一步的需求专精一项分类，这是一项非常重要的工作，需要对模型进行重新的Finetuning复用

---

Kaggle 猫狗大战

猫狗大战的数据集来源于Kaggle上的一个竞赛：Dogs vs. Cats

猫狗大战的数据集下载地址http://www.kaggle.com/c/dogs-vs-cats，其中数据集有12500只猫和12500只狗

现在进入本文的重点内容，使用Finetuning对VGGNet进行调整，从而针对猫狗大战的训练集进行训练，创建工程文件，所有素材如下：

---

代码示例

Step 1: 对模型的修改

首先是对模型的修改（VGG16_model.py文件），在这里原先的输出结果是对1000个不同的类别进行判定，而在此是对2个图像，也就是猫和狗的判断，因此首先第一步就是修改输出层的全连接数据。

    def fc_layers(self):

        self.fc6 = self.fc("fc1", self.pool5, 4096, trainable=False) #语句变动
        self.fc7 = self.fc("fc2", self.fc6, 4096, trainable=False) #语句变动
        self.fc8 = self.fc("fc3", self.fc7, 2)

这里是最后一层的输出通道被设置成2，而对于其他部分，定义创建卷积层和全连接层的方法则无需做出太大改动。

        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, trainable=False) #语句变动
            biases = tf.get_variable("biases", [out_channel], dtype=tf.float32, trainable=False) #语句变动
            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]
        return out

    def fc(self, name, input_data, out_channel, trainable=True):
        shape = input_data.get_shape().as_list()
        if len(shape) == 4:
            size = shape[-1] * shape[-2] * shape[-3]
        else:size = shape[1]
        input_data_flat = tf.reshape(input_data,[-1,size])
        with tf.variable_scope(name):
            weights = tf.get_variable(name="weights",shape=[size,out_channel],dtype=tf.float32,trainable=trainable) #语句变动
            biases = tf.get_variable(name="biases",shape=[out_channel],dtype=tf.float32, trainable=trainable) #语句变动
            res = tf.matmul(input_data_flat,weights)
            out = tf.nn.relu(tf.nn.bias_add(res,biases))
        self.parameters += [weights, biases]
        return out

在这里读者可能已经注意到，在介绍全连接层的修改时，就有一个额外的输入参数：

trainable=False

而在卷积层和全连接层的定义中，也添加了这个参数：

def fc(self, name, input_data, out_channel, trainable=True):

直接的解释就是，在进行Finetuning对模型重新训练时，对于部分不需要训练的层可以通过设置trainable=Fals