迁移学习：
物体识别模型可能含有数百万个参数，将耗费几周的时间去完全训练。因此我们采用迁移学习的方法，在已经训练好的模型（基于ImageNet）上调整部分参数（Inception_V3），实现自己数据集的分类。
3种方法：
- 方法1：无到有（从头开始训练）：自己准备好的数据，拿一个别的模型（inception模型），利用最最初始的参数重新开始训练一个属于自己数据集的模型【更改整个网络的参数】）
- 方法2：改变模型的部分参数，只是修改最后一层，微调：准备一个模型（inception3的模型），在不改变部分参数（卷积层和池化层），改变最后一层（因为是5个类），就是主要是更改绿色的箭头的部分，红色的不改变。利用基于ImageNet图像训练的Inception_v3模型所导出的pb文件，更改最后的softmax layer为自己需要的分类器，然后对这一更改的softmax layer进行训练。除开最后一层，其他层的参数全部固化，无法更新。因此，在实际的Retrain中，往往先将数据集（包含训练集、验证集与测试集）中的所有图片导入到Inception_v3模型中，获取最后一层的输入，或者说是倒数第二层的输出，定义为Bottlenecks。然后直接使用Bottlenecks对最后更改的softmax layer进行训练，将大幅度提升训练速度。
方法2优点：（训练速度快[只计算最后一层]）（因为参数少，需要训练周期少）（需要的图片数据量比较少）
- 方法3：对一个网络调优：基于方法2，卷积和池化的参数不是固定，是小的学习率，进行参数微调。主要是在最后一层进行更改，原来的是1000个分类，现在的是5个分类。利用基于ImageNet图像训练的Inception_v3模型所导出的Ckpt文件，在训练过程中，整个网络的参数都可以随之修改，不仅仅局限于被替换掉的softmax layer。
方法2的实践：
参考：https://blog.csdn.net/weixin_38663832/article/details/80555341
视频讲解：https://www.bilibili.com/video/av20542427/?p=29 （class29、09-2）
训练步骤：
1.）数据集下载 http://www.robots.ox.ac.uk/~vgg/data/
2.）retrain.py下载 https://github.com/tensorflow/hub
本来是这个地址https://github.com/tensorflow/tensorflow/，但是却没有retrain.py文件
3.）inception-v3 模型下载 http://download.tensorflow.org/models/image/imagenet/inception-2015-12-05.tgz
4.）批处理 retrain.bat，双击训练
python C:/Users/ZSl/Documents/hub-master/examples/image_retraining/retrain.py ^
--bottleneck_dir bottleneck ^
--how_many_training_steps 200 ^
--model_dir C:/Users/ZSl/Documents/inception_model/ ^
--output_graph output_graph.pb ^
--output_labels output_labels.txt ^
--image_dir C:/Users/ZSl/Documents/retrain/data/train/
pause
5.）利用训练好的模型进行测试（图像分类）
# coding: utf-8
import tensorflow as tf
import os
import numpy as np
import re
from PIL import Image
import matplotlib.pyplot as plt
lines = tf.gfile.GFile('retrain/output_labels.txt').readlines()
uid_to_human = {}
#一行一行读取数据
for uid,line in enumerate(lines) :
#去掉换行符
line=line.strip('\n')
uid_to_human[uid] = line
def id_to_string(node_id):
if node_id not in uid_to_human:
return ''
return uid_to_human[node_id]
#创建一个图来存放google训练好的模型
with tf.gfile.FastGFile('retrain/output_graph.pb', 'rb') as f:
graph_def = tf.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')
#遍历目录
for root,dirs,files in os.walk('retrain/images/'): #测试图片存放位置
for file in files:
#载入图片
image_data = tf.gfile.FastGFile(os.path.join(root,file), 'rb').read()
predictions = sess.run(softmax_tensor,{'DecodeJpeg/contents:0': image_data})#图片格式是jpg格式
predictions = np.squeeze(predictions)#把结果转为1维数据
#打印图片路径及名称
image_path = os.path.join(root,file)
print(image_path)
#显示图片
img=Image.open(image_path)
plt.imshow(img)
plt.axis('off')
plt.show()
#排序
top_k = predictions.argsort()[::-1]
print(top_k)
for node_id in top_k:
#获取分类名称
human_string = id_to_string(node_id)
#获取该分类的置信度
score = predictions[node_id]
print('%s (score = %.5f)' % (human_string, score))
print()方法1的实践：
视频讲解：https://www.bilibili.com/video/av20542427/?p=30 （class30、09-3）
步骤（随着代码的解释）：
1.）（图片预处理）生成tfrecord：把自己的图片装换为tfrecord文件，后期再训练的时候实际上读取的是这个文件，而不是图片。
2.）批处理文件训练