TensorFlow迁移学习的步骤
1、获取（你要训练的）数据集
2、获取模型（bp文件加载）
3、获取迁移后的输出张量bottleneck_tensor和输入张量jpeg_data_tensor（这一步同时也会获取jpeg_data_tensor到bottleneck_tensor的计算模型，这里称为model1）
4、根据bottleneck_tensor的维度定义model2的输入层节点bottleneck_input和model2的输出节点ground_truth_input
5、定义model2的前向传播过程(final_training_ops)
6、定义model2的损失函数，向后传播
7、根据jpeg_data_tensor, bottleneck_tensor在model1中训练得到样本的2048维特征train_bottlenecks，再获得样本的的输出结果train_ground_truth，喂入model2中，训练模型
代码如下：
此例程出自《TensorFlow实战Google深度学习框架》6.5.2小节 卷积神经网络迁移学习。
数据集来自/example_images/flower_photos.tgz ，及谷歌提供的Inception-v3模型//models/inception_dec_.zip 。 自行下载和解压。
解压后的文件夹包含5个子文件夹，每个子文件夹的名称为一种花的名称，代表了不同的类别。
工程目录
-transfer_learning -flower_data //存放原始图片的文件夹，有5个子文件夹， 每个子文件夹的名称为一种花的名称 -daisy //daisy类花图片的文件夹 -dandelion -roses -sunflowers -tulips -LICENSE.txt -model //存放模型的文件夹 -imagenet_comp_graph_label_strings.txt -LICENSE -tensorflow_inception_graph.pb //模型文件 -tmp -bottleneck //保存模型瓶颈层的特征结果 -daisy //daisy类花特征的文件夹 -dandelion -roses -sunflowers -tulips -transfer_flower.py //所有的程序都在这里了
transfer_flower.py
import globimport os.pathimport randomimport numpy as npimport tensorflow as tffrom tensorflow.python.platform import gfile# Inception-v3模型瓶颈层的节点个数BOTTLENECK_TENSOR_SIZE = 2048# Inception-v3模型中代表瓶颈层结果的张量名称。# 在训练模型时，可以通过tensor.name来获取张量的名称。BOTTLENECK_TENSOR_NAME = 'pool_3/_reshape:0'# 图像输入张量所对应的名称。JPEG_DATA_TENSOR_NAME = 'DecodeJpeg/contents:0'# 下载的谷歌训练好的Inception-v3模型文件目录MODEL_DIR = 'model/'# 下载的谷歌训练好的Inception-v3模型文件名MODEL_FILE = 'tensorflow_inception_graph.pb'# 因为一个训练数据会被使用多次，所以可以将原始图像通过Inception-v3模型计算# 得到的特征向量保存在文件中，免去重复的计算。# 下面的变量定义了这些文件的存放地址。CACHE_DIR = 'tmp/bottleneck/'# 图片数据文件夹。# 在这个文件夹中每一个子文件夹代表一个需要区分的类别，每个子文件夹中存放了对应类别的图片。INPUT_DATA = 'flower_data/'# 验证的数据百分比VALIDATION_PERCENTAGE = 10# 测试的数据百分比TEST_PERCENTAGE = 10# 定义神经网络的设置LEARNING_RATE = 0.01STEPS = 4000BATCH = 100
# 这个函数从数据文件夹中读取所有的图片列表并按训练、验证、测试数据分开。# test_per和val_per参数指定了测试数据集和验证数据集的大小。def create_image_lists(test_per, val_per):# 得到的所有图片都存在result这个字典(dictionary)里。# 这个字典的key为类别的名称，value也是一个字典，字典里存储了所有的图片名称。result = {}# 获取当前目录下所有子目录sub_dirs = [x[0] for x in os.walk(INPUT_DATA)]# 得到的第一个目录是当前目录，不需要考虑is_root_dir = Truefor sub_dir in sub_dirs:if is_root_dir:is_root_dir = Falsecontinue# 获取当前目录下的所有的有效图片文件extensions = ['jpg', 'jpeg', 'JPG', 'JPEG']file_list = []dir_name = os.path.basename(sub_dir)for extension in extensions:file_glob = os.path.join(INPUT_DATA, dir_name, '*.' + extension)file_list.extend(glob.glob(file_glob))if not file_list:continue# 通过目录名获取类别的名称。label_name = dir_name.lower()# 初始化当前类别的训练数据集、测试数据集和验证数据集training_images = []testing_images = []validation_images = []for file_name in file_list:base_name = os.path.basename(file_name)# 随机将数据分到训练数据集、测试数据集和验证数据集。chance = np.random.randint(100)if chance < validation_percentage:validation_images.append(base_name)elif chance < (testing_percentage + validation_percentage):testing_images.append(base_name)else:training_images.append(base_name)# 将当前类别的数据放入结果字典。result[label_name] = {'dir': dir_name,'training': training_images,'testing': testing_images,'validation': validation_images}# 返回整理好的所有数据return result
# 这个函数通过类别名称、所属数据集和图片编号获取一张图片的地址。# image_lists参数给出了所有图片信息。# image_dir参数给出了根目录。存放图片数据的根目录和存放图片特征向量的根目录地址不同。# label_name参数给定了类别的名称。# index参数给定了需要获取的图片的编号。# category参数指定了需要获取的图片是在训练数据集、测试数据集还是验证数据集。def get_image_path(image_lists, image_dir, label_name, index, category):# 获取给定类别中所有图片的信息。label_lists = image_lists[label_name]# 根据所属数据集的名称获取集合中的全部图片信息。category_list = label_lists[category]mod_index = index % len(category_list)# 获取图片的文件名。base_name = category_list[mod_index]sub_dir = label_lists['dir']# 最终的地址为数据根目录的地址 + 类别的文件夹 + 图片的名称full_path = os.path.join(image_dir, sub_dir, base_name)return full_path
# 这个函数通过类别名称、所属数据集和图片编号获取经过Inception-v3模型处理之后的特征向量文件地址。def get_bottlenect_path(image_lists, label_name, index, category):return get_image_path(image_lists, CACHE_DIR, label_name, index, category) + '.txt';
# 这个函数使用加载的训练好的Inception-v3模型处理一张图片，得到这个图片的特征向量。def run_bottleneck_on_image(sess, image_data, image_data_tensor, bottleneck_tensor):# 这个过程实际上就是将当前图片作为输入计算瓶颈张量的值。这个瓶颈张量的值# 就是这张图片的新的特征向量。bottleneck_values = sess.run(bottleneck_tensor, {image_data_tensor: image_data})# 经过卷积神经网络处理的结果是一个四维数组，需要将这个结果压缩成一个# 特征向量（一维数组）bottleneck_values = np.squeeze(bottleneck_values)return bottleneck_values
# 这个函数获取一张图片经过Inception-v3模型处理之后的特征向量。# 这个函数会先试图寻找已经计算且保存下来的特征向量，如果找不到则先计算这个特征向量，然后保存到文件。def get_or_create_bottleneck(sess, image_lists, label_name, index, category, jpeg_data_tensor, bottleneck_tensor):# 获取一张图片对应的特征向量文件的路径。label_lists = image_lists[label_name]sub_dir = label_lists['dir']sub_dir_path = os.path.join(CACHE_DIR, sub_dir)if not os.path.exists(sub_dir_path):os.makedirs(sub_dir_path)bottleneck_path = get_bottlenect_path(image_lists, label_name, index, category)# 如果这个特征向量文件不存在，则通过Inception-v3模型来计算特征向量，并将计算的结果存入文件。if not os.path.exists(bottleneck_path):# 获取原始的图片路径image_path = get_image_path(image_lists, INPUT_DATA, label_name, index, category)# 获取图片内容。image_data = gfile.FastGFile(image_path, 'rb').read()# print(len(image_data))# 由于输入的图片大小不一致，此处得到的image_data大小也不一致（已验证），# 但却都能通过加载的inception-v3模型生成一个2048的特征向量。具体原理不详。# 通过Inception-v3模型计算特征向量bottleneck_values = run_bottleneck_on_image(sess, image_data, jpeg_data_tensor, bottleneck_tensor)# 将计算得到的特征向量存入文件bottleneck_string = ','.join(str(x) for x in bottleneck_values)with open(bottleneck_path, 'w') as bottleneck_file:bottleneck_file.write(bottleneck_string)else:# 直接从文件中获取图片相应的特征向量。with open(bottleneck_path, 'r') as bottleneck_file:bottleneck_string = bottleneck_file.read()bottleneck_values = [float(x) for x in bottleneck_string.split(',')]# 返回得到的特征向量return bottleneck_values
# 这个函数随机获取一个batch的图片作为训练数据。def get_random_cached_bottlenecks(sess, n_classes, image_lists, how_many, category,jpeg_data_tensor, bottleneck_tensor):bottlenecks = []ground_truths = []for _ in range(how_many):# 随机一个类别和图片的编号加入当前的训练数据。label_index = random.randrange(n_classes)label_name = list(image_lists.keys())[label_index]image_index = random.randrange(65536)bottleneck = get_or_create_bottleneck(sess, image_lists, label_name,image_index, category,jpeg_data_tensor, bottleneck_tensor)ground_truth = np.zeros(n_classes, dtype=np.float32)ground_truth[label_index] = 1.0bottlenecks.append(bottleneck)ground_truths.append(ground_truth)return bottlenecks, ground_truths
# 这个函数获取全部的测试数据。在最终测试的时候需要在所有的测试数据上计算正确率。def get_test_bottlenecks(sess, image_lists, n_classes, jpeg_data_tensor, bottleneck_tensor):bottlenecks = []ground_truths = []label_name_list = list(image_lists.keys())# 枚举所有的类别和每个类别中的测试图片。for label_index, label_name in enumerate(label_name_list):category = 'testing'for index, unused_base_name in enumerate(image_lists[label_name][category]):# 通过Inception-v3模型计算图片对应的特征向量，并将其加入最终数据的列表。bottleneck = get_or_create_bottleneck(sess, image_lists, label_name, index, category,jpeg_data_tensor, bottleneck_tensor)ground_truth = np.zeros(n_classes, dtype = np.float32)ground_truth[label_index] = 1.0bottlenecks.append(bottleneck)ground_truths.append(ground_truth)return bottlenecks, ground_truths
def main():# 读取所有图片。image_lists = create_image_lists(TEST_PERCENTAGE, VALIDATION_PERCENTAGE)n_classes = len(image_lists.keys())# 读取已经训练好的模型with gfile.FastGFile(os.path.join(MODEL_DIR, MODEL_FILE), 'rb') as f:graph_def = tf.GraphDef()graph_def.ParseFromString(f.read())# 加载读取的Inception-v3模型，并返回数据输入所对应的张量以及计算瓶颈层结果所对应的张量。bottleneck_tensor, jpeg_data_tensor = tf.import_graph_def(graph_def, return_elements=[BOTTLENECK_TENSOR_NAME, JPEG_DATA_TENSOR_NAME])# 定义新的神经网络输入，这个输入就是图片进过Inception-3模型向前传播到达瓶颈层时候的输出# 可以将这个过程理解为一个特征提取bottleneck_input = tf.placeholder(tf.float32, [None, BOTTLENECK_TENSOR_SIZE],name='BottleneckInputPlaceholder')# 定义新的标准答案输出ground_truth_input = tf.placeholder(tf.float32, [None, n_classes],name='GroundTruthInput')# 定义一层全连接层来解决新的图片分类问题# 因为训练好的Inception-v3模型已经将原始的图片抽象为了更加容易分类的特征向量了，# 所以不需要再训练那么复杂的神经网络来完成这个新的分类任务。with tf.name_scope('final_training_ops'):weights = tf.Variable(tf.truncated_normal_initializer([BOTTLENECK_TENSOR_SIZE, n_class], stddev=0.001))biases = tf.Variable(tf.zeros([n_classes]))logits = tf.matmul(bottleneck_input, weights) + biasesfinal_tensor = tf.nn.softmax(logits)# 定义交叉熵损失函数cross_entropy = tf.nn.softmax_cross_entropy_with_logits(logits=logits,labels=ground_truth_input)cross_entropy_mean = tf.reduce_mean(cross_entropy)train_step = tf.train.GradientDescentOptimizer(LEARNING_RATE).minimize(cross_entropy_mean)# 计算正确率with tf.name_scope('evaluation'):correct_prediction = tf.equal(tf.argmax(final_tensor, 1), tf.argmax(ground_truth_input, 1))evaluation_step = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))with tf.Session() as sess:tf.global_variables_initializer().run()for i in range(STEPS):# 每次获取一个batch的训练数据train_bottlenecks, train_ground_truth = get_random_cached_bottlenecks(sess, n_classes, image_lists, BATCH, 'training', jpeg_data_tensor, bottleneck_tensor)sess.run(train_step, feed_dict={bottleneck_input: train_bottlenecks, ground_truth_input: train_ground_truth})# 在验证集上测试正确率。if i%100 == 0 or i+1 ==STEPS:validation_bottlenecks, validation_ground_truth = get_random_cached_bottlenecks(sess, n_classes, image_lists, BATCH, 'validation', jpeg_data_tensor, bottleneck_tensor)validation_accuracy = sess.run(evaluation_step, feed_dict={bottleneck_input:validation_bottlenecks, ground_truth_input: validation_ground_truth})print('Step %d: Validation accuracy on random sampled %d examples = %.1f%%'% (i, BATCH, validation_accuracy*100))# 在最后的测试数据上测试正确率test_bottlenecks, test_ground_truth = get_test_bottlenecks(sess, image_lists, n_classes,jpeg_data_tensor, bottleneck_tensor)test_accuracy = sess.run(evaluation_step, feed_dict={bottleneck_input: test_bottlenecks,ground_truth_input: test_ground_truth})print('Final test accuracy = %.1f%%' % (test_accuracy * 100))
if __name__ = '__main__':tf.app.run()
