chapter 3. 打造自己的图像识别模型

一、微调原理

在自己的训练数据上训练深度模型时，一般采取在“预训练好的神经网络（如：ImageNet模型：VGG16）”上进行微调的方法。
以VGG16说明“微调含义”：如果要将VGG16的结构应用于新的数据集，首先要丢掉fc8层，然后重新加入fc8’，使得其output dimension满足新数据集的要求。在调整好VGG16结构以后，在训练VGG16时，可以保留VGG16的部分“预训练参数”，只训练几层layer的参数，具体可采取如下几种方式：

二、使用Tensorflow Slim 微调模型

1、Slim 介绍

2、利用Slim 微调模型
step1：下载Slim 源代码，Slim源代码保存在tensorflow/models/research/slim文件夹中；
tensorflow/models 可用git 命令下载：

git clone ht仁ps://github.corn/tensorflow/models.git

step2：在slim/datasets中定义了所有可以使用的datasets，为了可以使用本章创建的tfrecord数据，我们需要加入一个dataset，具体方法如下：
在datasets/目录下新建一个satillte.py文件（本章中使用的数据），并将followers.py中的code 复制到satillte.py中，且修改以下几个内容：

_FILE PATTERN ＝’ satellite *. tfrecord' 
SPLITS_TO_SIZE = {'train':4800,'validation':1200}
_NUM_CLASSES =6
'image/form ’： tf. FixedLenFeature ( (), tf. string, default_value ＝’ jpg’）

修改完satillite.py文件后，还需要在同目录的dataset_factory.py中，注册satellite数据库。

#注册方法，在dataset_factory.py中加入几行code
from datasets import satellite
datasets_map={'satellite':satellite} #字典中加入这个key-value

step3：将本章数据加入slim文件夹中，具体方法如下：
利用上述2步定义完数据集后，在slim文件夹下新建文件夹satellite，在该文件夹下，新建data文件夹，将本章数据复制进行，新建train_dir文件夹，用以保存日志和模型；新建pretrained文件夹，将想要使用的模型下载进来，本章中使用的是Inception V3 模型；
step4：将本章数据加入slim后，即可利用Slim微调model，训练satellite数据，训练使用slim中的train_image_classifier.py文件，在cmd中进行，具体如下：

以上code仅对Inception V3中最后fc8 layer进行参数优化，其它参数依然为“预训练Inception V3”中的参数值。
step5：模型准确率验证，可以使用slim中的eval_image_classifier.py进行，其在cmd中的code如下：

三、利用TensorBoard进行可视化与超参数选择

使用下列命令可以打开tensorboard，看到损失的变化曲线：

tensorboard --l_ogdir satellite/train dir 

Note that：当损失曲线波动较大，无法收敛时，可以是因为学习率过大，此时可以调小“学习率”试试。

三、导出模型并对单张图片进行识别

1、模型导出
step1:保存模型的网络结构，可利用slim中的export_inference_graph.py进行：

python export_inference_graph.py 
--alsologtostderr 
--model_name = inception_v3
--output_file = satellite/inception_v3_inf_graph.pb
--dataset_name satellite

step2:将模型网络结构 与 学习得到的参数 结合，导出为最终的预测模型，可用脚本freeze_graph.py实现:

python freeze_graph.py
--input_graph slim/satellite/inception_v3_inf_graph.pb
--input_checkpoint slim/satellite/train_dir/model.ckpt_5271
--input_binary true
--output_node_names InceptionV3/Predictions/Reshape_1
--output_graph slim/satellite/frozen_graph.pb

2、a test sample的预测
可用脚本文件classify_image_inception_v3.py实现：

python classify_image_inception_v3.py
--model_path slim/satellite/frozen_graph.pb
--label_path data_prepare/pic/label.txt
--image_file test_image.jpg

代码解析