tensorflow python2迁移python3_详解tensorflow实现迁移学习实例

本文主要是总结利用tensorflow实现迁移学习的基本步骤。

所谓迁移学习，就是将上一个问题上训练好的模型通过简单的调整使其适用于一个新的问题。比如说，我们可以保留训练好的Inception-v3模型中所有的参数，只替换最后一层全连接层。在最后一层全连接层之前的网络称之为瓶颈层(bottleneck)。

持久化

首先需要简单介绍下tensorflow中的持久化：在tensorflow中提供了一个非常简单的API来保存和还原一个神经网络模型，这个API就是tf.train.Saver类。当采用该方法保存时会生成三个文件，一个文件是model.ckpt.meta，它保存了Tensorflow计算图的结构；第二个文件是model.ckpt，它保存了程序中每一个变量的取值；最后一个文件是checkpoint文件，这个文件中保存了一个目录下所有模型文件列表。

保存图

init_op = tf.initialize_all_variables()

with tf.Session() as sess:

sess.run(init_op)

saver.save(sess, "model.ckpt")

加载图

saver = tf.train.import_meta_graph("model.ckpt.meta")

with tf.Session() as sess:

saver.restore(sess, "model.ckpt")

迁移学习

第一步： 读取加载已经训练好的模型

在inception-v3模型代表瓶颈层结果的张量名称是'pool3/_reshape:0'，图像输入张量对应的