【Tensorflow】Inception-v3 迁移学习

最新推荐文章于 2022-01-01 21:18:12 发布

喜东东cc

最新推荐文章于 2022-01-01 21:18:12 发布

阅读量710

点赞数

分类专栏：数据挖掘文章标签： Tensorflow

本文链接：https://blog.csdn.net/qq_34105362/article/details/81199355

版权

本文介绍了如何使用Tensorflow的Inception-v3模型进行迁移学习。首先，详细说明了数据集和Inception-v3模型的获取方式。接着，强调了在创建会话时启动模型和设置占位符的注意事项。然后，讲述了如何重新训练Inception-v3，包括指定路径、参数设定以及训练过程。最后，提到了使用retrain后的remodel.pb模型进行分类的操作要点。

摘要由CSDN通过智能技术生成

数据集下载：经典的cat数据
inception-v3下载：classify_image_graph_def.pb

一、注意事项

创建sess时启动inception-v3： tf.Session(graph=graph)；
最后一层全连接层的输入使用tf.placeholder_with_default(）占位，而不是tf.placeholder（）；
训练时记得保存labels.txt，用于后续使用remodel.pb；（主要是label值和顺序）
在使用remodel.pb时，注意导入tensor的名称书写正确性；（可通过查看tensorboard中graph进行判断）

二、使用Inception-v3进行retrain

1、指定路径和参数
路径：

输入：数据集（注意文件夹格式）、inception-v3存放路径、
输出：inception-v3模型输出值、tensorboard训练日志、重训练后的新模型、数据集labels保存

参数：

验证集\测试集占比、迭代次数、batch大小、inception-v3模型output的节点数、学习率

import numpy as np
import tensorflow as tf
import os
import glob
import random
from tensorflow.python.framework import graph_util
import shutil

path = r'E:\cat' #主文件夹
datapath = os.path.join(path, 'dataset') #图像数据路径
bottleneckpath = os.path.join(path, 'bottleneck') #inception-v3输出结果缓存路径
premodel_path = os.path.join(path, 'inception-2015-12-05', 'classify_image_graph_def.pb') #inception-v3模型路径
log_path = os.path.join(path, 'log') #tensorboard训练日志保存路径
remodel_path = os.path.join(path, 'remodel', 'remodel.pb') #重训练后的模型保存路径
label_path = os.path.join(path, 'labels.txt') #数据集labels保存路径（用于retrain.pb测试）

valpct = 10 #验证集占比
testpct = 10 #测试集占比

max_steps = 6000 #迭代次数
batch = 100 #batch_size
bottleneck_size = 2048 #inception-v3模型output的节点数（固定）
learn_rate = 0.01 #学习率

tf.reset_default_graph()

2、导入inception-v3，构建最后一层全连接层，对新数据训练验证测试

#读数据：获取图片路径
def get_img_path():
    sub_dirs = [i[0] for i in os.walk(datapath)]
    is_root_file = True
    results = {}
    for sub_dir in sub_dirs:
        if is_root_file:
            is_root_file = False
            continue
        label = os.path.basename(sub_dir).lower()

        imgs