这里主要是用slim下的Inception-V3模型对flower数据进行训练和评估.
数据准备:(默认已经安装过TF-slim image models library/下载过flower数据并将其转换为TFRecorder数据)
1)将models/research/slim文件夹(下图左)以及转换后的flowers数据拷贝到程序所在文件夹下(下图右)
2)训练模型的代码被放在slim/train_image_classifier.py文件中.下面编写shell脚本来对flower数据训练Inception-v3模型.
python train_image_classifier.py \
--train_dir=flowers/train_dir \
--dataset_name=flowers \
--dataset_split_name=train \
--dataset_dir=flowers/data \
--model_name=inception_v3 \
--checkpoint_path=flowers/pretrained/inception_v3.ckpt \
--checkpoint_exclude_scopes=InceptionV3/Logits,InceptionV3/AuxLogits \
--trainable_scope=InceptionV3/Logits,InceptionV3/AuxLogits \
--max_number_of_steps=1000 \
--batch_size=32 \
--learning_rate=0.001 \
--learning_rate_decay_type=fixed \
--save_interval_secs=300 \
--save_summaries_secs=2 \
--log_every_n_steps=10 \
--optiomizer=rmsprop \
--weight_decay=0.00004
参数说明:
--train_dir:训练完成后生成的模型所在路径
--dataset_name:参与训练的数据集的名字
--dataset_split_name:数据集中的validation或train
--dataset_dir : 数据集路径
--model_name : 模型名字
--checkpoint_path : 下载的已经训练好的模型路径
--checkpoint_exclude_scopes : 指定载入预训练模型时哪一层的权重不被载入
--trainable_scope : 指定对哪一层参数进行训练;
--max_number_of_steps : 最大运行步数
--save_interval_secs=300 : 每300s保存一次模型到指定路径
--save_summaries_secs=2 : 每2s将日志写入
--log_every_n_steps=10 : 每10s打印一次
3)命令行中执行上面编写的shell脚本,
完成训练后得到训练后的模型在指定训练模型保存路径下
4)将最新获得的model.ckpt作为评测模型--在上图中即 model .ckpt-928,编写模型评测shell脚本如下:
python eval_image_classifier.py \
--eval_dir=flowers/train_dir/ \
--dataset_name=flowers \
--dataset_split_name=validation \
--dataset_dir=flowers/data \
--model_name=inception_v3 \
--checkpoint_path=flowers/train_dir
运行该评测脚本,得到最终模型评估结果如下:
最终评测准确率为87.25%.
总结一下:利用slim训练好的模型进行训练的步骤:1)数据准备(包括模型及数据);2)编写训练脚本,运行得到训练模型;3)编写评测脚本,运行得到评测结果.