迁移训练—定制 TensorFlow 图像分类

使用系统：

ubuntu16.04、Windows7

step1：

新建工程文件夹：TensorFlowRetrainInceptionV3，然后下载图片训练集，这里我使用的是Google 提供的一个训练样本。

$ cd TensorFlowRetrainInceptionV3
$ curl -O http://download.tensorflow.org/example_images/flower_photos.tgz
$ tar xzf flower_photos.tgz

打开训练样本文件夹 flower_photos ，里面有 5 种类别的花：daisy(雏菊), dandelion(蒲公英), roses(玫瑰), sunflowers(向日葵) , tulips(郁金香)，每个类别的大概有 600-700 张训练样本图片。

step2：

下载 retrain 脚本
             该脚本会自动下载 google Inception v3 模型相关文件，retrain.py 是 Google 提供的迁移训练脚本。这里我们可以通过以下命令进行下载：

$ cd TensorFlowRetrainInceptionV3

$ curl -O https://raw.githubusercontent.com/tensorflow/tensorflow/r1.1/tensorflow/examples/image_retraining/retrain.py

也可以通过Google提供的链接进行下载：

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

这是Google针对mobile专门设计tensorflow Lite而开源的一个集成包。主要包含了一些tensorflow Lite需要用的script文件中的脚本和在Android和ios上运行的开源代码。

step3：

启动训练脚本

通过运行 retrain.py 脚本时，需要配置一些运行命令参数，比如指定模型输入输出相关名称和其他训练要求的配置。

阅读retrain.py源文件，我们可以得到一些待输入的参数：

阅读源码，查看脚本中几个重要的输入参数 
‘–image_dir’ 
标记图像文件夹的路径 
‘output_graph’ 
存放训练好的计算图（该计算图已经进行了变量固化，可以直接转化为TFlite） 
‘–output_labels’ 
输出标签 
‘–summaries_dir’ 
存放训练日志，用TensorfBord打开，可以查看训练过程 
‘–how_many_training_steps’ 
训练次数 
‘–bottleneck_dir’ 
存放瓶颈层输出的特征向量 
‘–architecture’ 
预训练好的用于提取图像特征的模型 
‘–saved_model_dir’ 
存放导出的模型，含有计算流图和变量值 
‘–final_tensor_name’ 
输出层的节点名字

linux系统，运行retrain.py脚本，输入以下命令：
python retrain.py \
--bottleneck_dir bottleneck \
--how_many_training_steps 200 \
--model_dir modeldir \
--output_graph output_graph.pb \
--output_labels output_labels.txt \
--image_dir flower_photos

Windows系统，运行retrain.py脚本，输入以下命令：

python retrain.py ^
--bottleneck_dir bottleneck ^
--how_many_training_steps 200 ^
--model_dir modeldir ^
--output_graph output_graph.pb ^
--output_labels output_labels.txt ^
--image_dir flower_photos

如果不添加--how_many_training_steps=500配置，默认值为4000，会相当耗时，建议测试阶段可以减少这个值。

最后运行结束，主要会生成我们定义好会用到的output_graph.pb 和 output_labels.txt两个文件。

step4：

接下来就是测试我们生成的pb文件的最终效果，即测试分类的准确度。在Google提供的tensorflow Lite中的script文件夹中，通过lable_image.py来进行测试。

python -m scripts.label_image \
   --graph=output_graph.pb  \
   --image=flower_photos/daisy/3475870145_685a19116d.jpg

我在运行的是时候出现以下错误：

需要对label_image.py文件进行修改：

   input_layer = "input"
  output_layer = "final_result"

修改为：

   input_layer = "Mul"
  output_layer = "final_result"

就可以了！

如果出现输入图片shape的问题，如下

对label_image.py文件中，相应的位置，进行修改，

接下来应该不会再有什么错误了！运行以下看看效果

基于迁移学习的简单图像分类就完成了