9-1测试训练好的模型

如何利用retain来实现对图片分类模型的微调

1. https://github.com/tensorflow/tensorflow

 点击右上角绿色的“clone or download”按钮中的“Downloade ZIP”进行下载

 

下载得到的文件为tensorflow-master.zip，解压该文件，进入：

tensorflow-master/tensorflow/image_retraining文件夹中retrain.py文件

1. 数据集下载：http://www.robots.ox.ac.uk/~vgg/data/

该网站是英国牛津的科学工程系的VGG（visual Geometry Group）

下载后放到retrain/data/train 中，eg：animal，flower，guitar，house，plane

1. 进行训练：在训练的时候，对于每张不同图，会出现不同的值，对于相同图片到pool_3的结果都是固定一样的。实际上可以理解为，我们在训练的时候，由于softmax之前的层都是模型训练好的，固定的，无需修改，所以相当于我们的输入就是softmax前一层pool_3输出的相应数值。提前算好，这样大大减少训练的复杂度。
2. 写一个批处理文件：retrain.bat   可以用notepad++打开

google把整个模型比作是一个花瓶，最上面为瓶口，bottle_neck，这里指的就是pool_3的位置。在预处理的时候，将训练集中每张图片输入经过训练好的模型在pool_3处输出相应的数值存放到bottleneck文件目录下（在retrain文件夹中提前创建好该文件）

how_many_training_steps表示训练次数

model_dir 用于训练的inception-v3模型的存放目录。（这里打开的是下载模型的压缩文件，因此要放入的文件应该是inception-2015-12-05.tgz）

• output_graph输出训练好的模型，命名为：output_graph.pb

output_labels 输出训练好的标签output_labels.txt ^

image_dir 输出训练好的标签目录data/train/  注意将下载好的训练集按照所属名称分别归类放入相应的文件夹中。文件名为类别名，全小写英文单词，避免报错。

1. 执行这个脚本文件：retrain.bat，最终会检测到所有分类，利用GPU进行训练，很快执行。

（1）       bottleneck文件夹：生成每张图片一一对应的一堆txt文件,分别存放到“retrain/bottleneck/类别名”文件夹中。每训练10steps就打印一次训练准确率，200次得到准确率98%以上。

（2）       labels.txt

（3）       output_labels.txt

（4）       output_graph.pb模型文件，之后我们就可以调用该文件来进行训练了。

创建一个images文件夹存放15张图片：animal1-3，flower1-3，guitar1-3，house1-3，plane1-3

利用9-1程序来进行测试集测试，能够成功达到较好效果：正确分类；置信度很高；

原因：1。用于测试的都是5类完全不同的事物，之间的相似度较低

2.inception模型的预处理达到了较好的效果

 

微调法（retrain方法）的好处：由于只用了2000张图片对于这样一个庞大的inception模型：

1. 计算量少，由于之前的都由模型计算好了，所以只需要计算最后一层就好，需要训练的参数少，因此每个周期迭代次数也比较少，所以比较快。
2. 迭代周期也很少，只要200个周期就能达到接近100%的准确率
3. 训练数据量很少，只有2000张就能达到理想效果。也不会过拟合等问题出现。这比用9-2的方法好。