标签：py 训练 -- 步骤 InceptionV3 retrain graph output 迁移
环境：TensorFlow==1.14.0 python3.7
Inception 模型优势
(1)分解成小卷积很有效，可以降低参数量，减轻过拟合，增加网络非线性的表达能力。
(2) 卷积网络从输入到输出，应该让图片尺寸逐渐减小，输出通道数逐渐增加，即让空间结构化，将空间信息转化为高阶抽象的特征信息。
(3) Inception Module用多个分支提取不同抽象程度的高阶特征的思路很有效，可以丰富网络的表达能力
详细可看inceptionV3论文《Rethinking the Inception Architecture for Computer Vision》
迁移学习
迁移学习在实际应用中的意义非常大，它可以将之前已学过的知识（模型参数）迁移到一项新的任务上，使学习效率大大的提高。我们知道，要训练一个复杂的深度学习模型，成本是十分巨大的。而迁移学习可以大大的降低我们的训练成本，在短时间内就能达到很好的效果。
这次展示的是基于垃圾分类训练，数据集来自Garbage Classification (12 classes) | Kaggle
采用对ImageNet训练过的权重做预训练模型，只对softmax训练
一、准备阶段
下载retrain.py
https://github.com/tensorflow/hub
之前位置在
如果之后位置变化可以到README.md中查看
数据集准备：
自己拍照想要识别的物体，建议是纯色背景或者单一背景
也可以到Kaggle: Your Machine Learning and Data Science Community
然后建立以下目录
data放置数据集，如
tmp放置训练过程中产生的文件
二、训练模型
在retrain.py同级目录下打开cmd
输入python retrain.py --image_dir data --how_many_training_steps 1000 --model_dir inception_dec_2015 --output_graph output_graph.pd --output_labels output_labels.txt --bottleneck_dir tmp\bottleneck --summaries_dir tmp\retrain_logs
这里data是上述的data文件夹位置，建议都改为绝对位置，防止意外报错
具体参数可以查看retrain.py
训练结果
结束后可以在retrain.py同级目录下
inception_dec_2015下是下载的ImageNet训练模型，bottleneck是放置样本描述文件，retrain_logs放置训练日志，可以通过TensorBoard查看，output_graph.pd就是我们训练好的模型，output_labels.txt是标签
三、模型测试
# coding: UTF-8
import tensorflow as tf
import os
import numpy as np
import matplotlib.pyplot as plt
import random
# 结果数组与output_labels.txt文件中的顺序要一致
res = [
'battery', 'biological', 'brown glass', 'cardboard', 'clothes',
'green glass', 'metal', 'paper', 'plastic', 'shoes', 'trash', 'white glass'
]
path = r'test.jpg'
with tf.gfile.FastGFile('output_graph.pd', 'rb') as f:
graph_def = tf.compat.v1.GraphDef()
graph_def.ParseFromString(f.read())
tf.import_graph_def(graph_def, name='')
with tf.Session() as sess:
softmax_tensor = sess.graph.get_tensor_by_name(
'final_result:0'
) # 获取新模型最后的输出节点叫做final_result，可以从tensorboard中的graph中看到，其中名字后面的’:’之后接数字为EndPoints索引值（An operation allocates memory for its outputs, which are available on endpoints :0, :1, etc, and you can think of each of these endpoints as a Tensor.），通常情况下为0，因为大部分operation都只有一个输出。
image_data = tf.gfile.FastGFile(
path, 'rb').read() # Returns the contents of a file as a string.
predictions = sess.run(
softmax_tensor,
{'DecodeJpeg/contents:0': image_data
}) # tensorboard中的graph中可以看到DecodeJpeg/contents是模型的输入变量名字
predictions = np.squeeze(predictions)
top_k = predictions.argsort()[-2:][::-1][0]
print(res[top_k])运行后会打印置信度最高的物体标签
旧版本retrain.py的只针对对inceptionV3进行迁移学习训练，如果需要训练其他网络结构，得更新retrain.py一些参数，新版本就可以对其他网络结构训练。
标签：py,训练,--,步骤,InceptionV3,retrain,graph,output,迁移 来源： https://blog.csdn.net/qq_46292437/article/details/120812487
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。