inceptionv3 /v4迁移学习图像分类

研究一个图像分类的任务，现在的问题是对6类图像数据做分类任务，数据的特征是每一类都只有非常少的数据，并且存在类别不平均，在这种情况下我们的实验结果存在准确率的问题，对于少量数据，采用端到端从头开始训练的方法，模型学习到的特征很少，泛化能力不够，采用从ImageNet数据集训练得到的结果，我们可以采用预训练权重初始化特定的深度网络，如这里的Inception网路，采用slim轻量库构建模型，模型在三个公开数据集上的实例已经在github中可见，参照实例可用训练自定义的网络模型。

需要自己下载inceptionv3/v4的预训练权重，以及自定义的数据集。

构建数据训练代码，v3的训练和测试过程如下

python download_and_convert_data.py \
  --dataset_name=flowers \
  --dataset_dir=${DATASET_DIR}

# Fine-tune only the new layers for 1000 steps.
python train_image_classifier.py \
  --train_dir=${TRAIN_DIR} \
  --dataset_name=flowers \
  --dataset_split_name=train \
  --dataset_dir=${DATASET_DIR} \
  --model_name=inception_v3 \
  --checkpoint_path=${PRETRAINED_CHECKPOINT_DIR}/inception_v3.ckpt \
  --checkpoi