使用Tensorflow的slim库进行迁移学习

由于slim库不是tf的核心库，因此需要到github下载相关代码，这里假设我的工作目录为：/home/hiptonese/MigrationLearning

• 1 下载代码：https://github.com/tensorflow/models
• 2 将下载好的代码放到工作目录下
• 3 下载你所需要的模型的checkpoint文件(该文件存放了模型预训练的变量值)，这里列出了各个常用模型的ckpt文件：https://github.com/tensorflow/models/tree/master/research/slim#Pretrained
• 4 加载代码和图片文件，这里给出例子：

'''
@Date  : 2017-11-21 19:18
@Author: yangyang Deng
@Email : yangydeng@163.com
'''

import os
import tensorflow as tf
from models.research.slim.datasets import imagenet
from models.research.slim.preprocessing import inception_preprocessing
import numpy as np
# 工程的根目录，同时也是ckpt所在的目录
checkpoints_dir = '/home/hiptonese/MigrationLearning/'

slim = tf.contrib.slim
image_size = 299

with tf.Graph().as_default():
    with slim.arg_scope(inception_resnet_v2.inception_resnet_v2_arg_scope()):
        # 加载一张图片
        imgPath = 'ship.jpeg'
        testImage_string = tf.gfile.FastGFile(imgPath, 'rb').read()
        testImage = tf.image.decode_jpeg(testImage_string, channels=3)
        processed_image = inception_preprocessing.preprocess_image(testImage, image_size, image_size, is_training=False)
        processed_images = tf.expand_dims(processed_image, 0)

        # 这里如果我们设置num_classes=None,则可以得到restnet输出的瓶颈层，num_classes默认为10001，是用作imagenet的输出层。同样，我们也可以根据需要修改num_classes为其他的值来满足我们的训练要求。
        final_point, endpoints = inception_resnet_v2.inception_resnet_v2(processed_images, num_classes=None, is_training=False)
        init_fn = slim.assign_from_checkpoint_fn(os.path.join(checkpoints_dir, 'inception_resnet_v2_2016_08_30.ckpt'),slim.get_model_variables('InceptionResnetV2'))

        with tf.Session() as sess:
            init_fn(sess)
            final_point_eval = np.array(sess.run(final_point))
            print(final_point_eval.shape)

× 最后解释一下“瓶颈层”（bottle neck layer）的含义：
瓶颈层一般指网络结束卷基层，将要进入全连层的输入。由于网络中的变量已经做了预训练，因此瓶颈层的输出可以看做是对原始图片的进一步特征提取。因此这里如果将瓶颈层作为输入，后面只需要自己加入FC全连层，则可以不在参数调整和训练上花太多时间，快速达到较好的效果。