用tensorflow中slim下的分类网络训练自己的数据集以及fine-tuning(可以直接实战使用)

目录

前期准备

训练flower数据集(包括fine-tuning)

训练自己的数据集(包括fine-tuning)

 

前期准备

前期了解

tensorflow models

在tensorflow models中有官方维护和非官方维护的models，official models就是官方维护的models，里面使用的接口都是一些官方的接口，比如tf.layers.conv2d之类。而research models是tensorflow的研究人员自己实现的一些流行网络，不受官方支持，里面会用到一些slim之类的非官方接口。但是因为research models实现的网络非常多，而且提供了完整的训练和评价方案，所以我们现在基于research models中的实现来部署网络。

环境配置

首先要保证tf.contrib.slim在你的tensorflow环境中是存在的，运行下面的脚本保证没有错误发生。

python -c "import tensorflow.contrib.slim as slim; eval = slim.evaluation.evaluate_once"

base代码准备

TF的库里面没有TF-slim的内容，所以我们需要将代码clone到本地

cd $HOME/workspace
git clone https://github.com/tensorflow/models/

运行以下脚本确定是否可用

cd $HOME/workspace/models/research/slim
python -c "from nets import cifarnet; mynet = cifarnet.cifarnet"

其实我们只需要使用research中的slim的代码，所以我是直接拷贝了slim的代码到本地，基于slim代码进行修改。

 

训练flower数据集

下载数据并创建tfrecord

官网提供了下载并且转换数据集的方法，运行如下脚本即可，脚本会直接下载flower数据集并且存储为TFRecord的格式。

$ python download_and_convert_data.py \
    --dataset_name=flowers \
    --dataset_dir=./tmp/data/flowers

为何官网要使用TFRecord呢？因为TFRecord和tensorflow内部有一个加速机制。实际读取tfrecord数据时，先以相应的tfrecord文件为参数，创建一个输入队列，这个队列有一定的容量，在一部分数据出队列时，tfrecord中的其他数据就可以通过预取进入队列，这个过程和网络的计算是独立进行的。也就是说，网络每一个iteration的训练不必等待数据队列准备好再开始，队列中的数据始终是充足的，而往队列中填充数据时，也可以使用多线程加速。

下载pre-trained checkpoint

每个网络对应的checkpoint可以从官网上找到，官网也提供了下载inception v3的checkpoint的例子

$ mkdir ./tmp/checkpoints
$ wget http