inception v4 官方实现_TensorFlow学习笔记：使用Inception v3进行图像分类

Inception

0. Google Inception模型简介

Inception为Google开源的CNN模型，至今已经公开四个版本，每一个版本都是基于大型图像数据库ImageNet中的数据训练而成。因此我们可以直接利用Google的Inception模型来实现图像分类。本篇文章主要以Inception_v3模型为基础。Inception v3模型大约有2500万个参数，分类一张图像就用了50亿的乘加指令。在一台没有GPU的现代PC上，分类一张图像转眼就能完成。

1. Google Inception模型发展

以下为Inception四个版本所对应的论文，末尾为ILSVRC中的Top-5错误率：

2. 下载Inception_v3模型

Inception_v3模型源码下载

当然，要想自己从头训练一个Inception_v3模型是可以的，但费时费力，没有必要。当然，在已经训练好的Inception_v3模型上修修改改retrain是没有问题的，具体将在后续文中提到。

解压下载好的压缩文件，如下：

文件列表

classify_image_graph_def.pb文件为Inception_v3本体

imagenet_2012_challenge_label_map_proto.pbtxt文件内容如下所示：

imagenet_2012_challenge_label_map_proto.pbtxt

包含target_class与target_class_string，前者为分类代码，从1~1000，共1k类，记为Node_ID；后者为一编号字符串“n********”，可以理解为“地址”或者“桥梁”，记为UID。

imagenet_synset_to_human_label_map.txt文件内容如下：

imagenet_synset_to_human_label_map.txt

包含UID与类别的映射，这种类别文字标签记为human_string。

3. 准备工作

随便从网上下载一张图片，命名为husky.jpg：

husky.jpg

下面的代码就将使用Inception_v3模型对这张哈士奇图片进行分类。

4. 代码

先创建一个类NodeLookup来将softmax概率值映射到标签上；然后创建一个函数create_graph()来读取并新建模型；最后读取哈士奇图片进行分类识别：

# -*- coding: utf-8 -*-

import tensorflow as tf

import numpy as np

#import re

import os

model_dir='C:/Users/Dexter/Documents/ML_files/171003_Inception_v3/Inception_model'

image = 'C:/Users/Dexter/Documents/ML_files/171003_Inception_v3/Images/husky.jpg'

#将类别ID转换为人类易读的标签

class NodeLookup(object):

def __init__(self, label_lookup_path=None, uid_lookup_path=None):

if not label_lookup_path:

# 加载“label_lookup_path”文件

# 此文件将数据集中所含类别(1-1000)与一个叫做target_class_string的地址对应起来

# 其地址编码为“n********”星号代表数字

label_lookup_path = os.path.join(

model_dir, 'imagenet_2012_challenge_label_map_proto.pbtxt')

if not uid_lookup_path:

# 加载“uid_lookup_path”文件

# 此文件将数据集中所含类别具体名称与编码方式为“n********”的地址/UID一一对应起来

uid_lookup_path = os.path.join(

model_dir, 'imagenet_synset_to_human_label_map.txt')

self.node_lookup = self.load(label_lookup_path, uid_lookup_path)

def load(self, label_lookup_path, uid_lookup_path):

if not tf.gfile.Exists(uid_lookup_path):

# 预先检测地址是否存在

tf.logging.fatal('File does not exist %s', uid_lookup_path)

if not tf.gfile.Exists(label_lookup_path):

# 预先检测地址是否存在

tf.logging.fatal('File does not exist %s', label_lookup_path)

# Loads mapping from string UID to human-readable string

# 加载编号字符串n********，即UID与分类名称之间的映射关系(字典)：uid_to_human

# 读取uid_lookup_path中所有的lines

# readlines(): Returns all lines from the file in a list.

# Leaves the '\n' at the end.

proto_as_ascii_lines = tf.gfile.GFile(uid_lookup_path).readlines()

# 创建空字典uid_to_human用以存储映射关系

uid_to_human = {}

# =============================================================================

# # 使用正则化方法处理文件：

# p = re.compile(r'[n\d]*[ \S,]*')

# for line in proto_as_ascii_lines:

# = p.findall(line)

# uid = parsed_items[0]

# human_string = parsed_items[2]

# uid_to_human[uid] = human_string