0
0

TensorFlow-slim包进行图像数据集分类---具体流程

TensorFlow中slim包的具体用法

本次使用的TensorFlow版本是1.13.0
地址：https://github.com/tensorflow/models/tree/r1.13.0
到tensorflow-models的GitHub下载research下面的slim这个包到本地
在这里插入图片描述

TensorFlow中slim包的目录结构：

-- slim
    |-- BUILD
    |-- README.md
    |-- WORKSPACE
    |-- __init__.py
    |-- datasets
    ||-- __init__.py
    ||-- __pycache__
    |||-- __init__.cpython-37.pyc
    |||-- dataset_utils.cpython-37.pyc
    |||-- download_and_convert_cifar10.cpython-37.pyc
    |||-- download_and_convert_flowers.cpython-37.pyc
    ||   `-- download_and_convert_mnist.cpython-37.pyc
    ||-- build_imagenet_data.py
    ||-- cifar10.py
    ||-- dataset_factory.py
    ||-- dataset_utils.py
    ||-- download_and_convert_cifar10.py
    ||-- download_and_convert_flowers.py
    ||-- download_and_convert_imagenet.sh
    ||-- download_and_convert_mnist.py
    ||-- download_imagenet.sh
    ||-- flowers.py
    ||-- imagenet.py
    ||-- imagenet_2012_validation_synset_labels.txt
    ||-- imagenet_lsvrc_2015_synsets.txt
    ||-- imagenet_metadata.txt
    ||-- mnist.py
    ||-- preprocess_imagenet_validation_data.py
    |   `-- process_bounding_boxes.py
    |-- deployment
    ||-- __init__.py
    ||-- model_deploy.py
    |   `-- model_deploy_test.py
    |-- download_and_convert_data.py    # 下载相应的数据集，并将数据打包成TF-record的格式|-- eval_image_classifier.py        # 测试模型分类效果|-- export_inference_graph.py
    |-- export_inference_graph_test.py
    |-- nets
    ||-- __init__.py
    ||-- alexnet.py
    ||-- alexnet_test.py
    ||-- cifarnet.py
    ||-- cyclegan.py
    ||-- cyclegan_test.py
    ||-- dcgan.py
    ||-- dcgan_test.py
    ||-- i3d.py
    ||-- i3d_test.py
    ||-- i3d_utils.py
    ||-- inception.py
    ||-- inception_resnet_v2.py
    ||-- inception_resnet_v2_test.py
    ||-- inception_utils.py
    ||-- inception_v1.py
    ||-- inception_v1_test.py
    ||-- inception_v2.py
    ||-- inception_v2_test.py
    ||-- inception_v3.py
    ||-- inception_v3_test.py
    ||-- inception_v4.py
    ||-- inception_v4_test.py
    ||-- lenet.py
    ||-- mobilenet
    |||-- README.md
    |||-- __init__.py
    |||-- conv_blocks.py
    |||-- madds_top1_accuracy.png
    |||-- mnet_v1_vs_v2_pixel1_latency.png
    |||-- mobilenet.py
    |||-- mobilenet_example.ipynb
    |||-- mobilenet_v2.py
    ||   `-- mobilenet_v2_test.py
    ||-- mobilenet_v1.md
    ||-- mobilenet_v1.png
    ||-- mobilenet_v1.py
    ||-- mobilenet_v1_eval.py
    ||-- mobilenet_v1_test.py
    ||-- mobilenet_v1_train.py
    ||-- nasnet
    |||-- README.md
    |||-- __init__.py
    |||-- nasnet.py
    |||-- nasnet_test.py
    |||-- nasnet_utils.py
    |||-- nasnet_utils_test.py
    |||-- pnasnet.py
    ||   `-- pnasnet_test.py
    ||-- nets_factory.py
    ||-- nets_factory_test.py
    ||-- overfeat.py
    ||-- overfeat_test.py
    ||-- pix2pix.py
    ||-- pix2pix_test.py
    ||-- resnet_utils.py
    ||-- resnet_v1.py
    ||-- resnet_v1_test.py
    ||-- resnet_v2.py
    ||-- resnet_v2_test.py
    ||-- s3dg.py
    ||-- s3dg_test.py
    ||-- vgg.py
    |   `-- vgg_test.py
    |-- preprocessing
    ||-- __init__.py
    ||-- cifarnet_preprocessing.py
    ||-- inception_preprocessing.py
    ||-- lenet_preprocessing.py
    ||-- preprocessing_factory.py
    |   `-- vgg_preprocessing.py
    |-- scripts                     # gqr:存储的是相关的模型训练脚本                ||-- export_mobilenet.sh
    ||-- finetune_inception_resnet_v2_on_flowers.sh
    ||-- finetune_inception_v1_on_flowers.sh
    ||-- finetune_inception_v3_on_flowers.sh
    ||-- finetune_resnet_v1_50_on_flowers.sh
    ||-- train_cifarnet_on_cifar10.sh
    |   `-- train_lenet_on_mnist.sh
    |-- setup.py
    |-- slim_walkthrough.ipynb
    `-- train_image_classifier.py    # 训练模型的脚本

1、训练脚本文件（该文件包含数据下载打包、模型训练，模型评估流程）

scripts/finetune_resnet_v1_50_on_flowers.sh

#!/bin/bash# Copyright 2017 The TensorFlow Authors. All Rights Reserved.## Licensed under the Apache License, Version 2.0 (the "License");# you may not use this file except in compliance with the License.# You may obtain a copy of the License at## http://www.apache.org/licenses/LICENSE-2.0## Unless required by applicable law or agreed to in writing, software# distributed under the License is distributed on an "AS IS" BASIS,# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.# See the License for the specific language governing permissions and# limitations under the License.# ==============================================================================## This script performs the following operations:# 1. Downloads the Flowers dataset# 2. Fine-tunes a ResNetV1-50 model on the Flowers training set.# 3. Evaluates the model on the Flowers validation set.## Usage:# cd slim# ./slim/scripts/finetune_resnet_v1_50_on_flowers.shset-e

# Where the pre-trained ResNetV1-50 checkpoint is saved to.
PRETRAINED_CHECKPOINT_DIR=/tmp/checkpoints   # gqr:预训练模型存放路径# Where the training (fine-tuned) checkpoint and logs will be saved to.
TRAIN_DIR=/tmp/flowers-models/resnet_v1_50

# Where the dataset is saved to.
DATASET_DIR=/tmp/flowers    # gqr:数据集存放路径# Download the pre-trained checkpoint.if[ ! -d "$PRETRAINED_CHECKPOINT_DIR"]; then
  mkdir ${PRETRAINED_CHECKPOINT_DIR}
fi
if[ ! -f ${PRETRAINED_CHECKPOINT_DIR}/resnet_v1_50.ckpt ]; then
  wget http://download.tensorflow.org/models/resnet_v1_50_2016_08_28.tar.gz
  tar -xvf resnet_v1_50_2016_08_28.tar.gz
  mv resnet_v1_50.ckpt ${PRETRAINED_CHECKPOINT_DIR}/resnet_v1_50.ckpt
  rm resnet_v1_50_2016_08_28.tar.gz
fi

# Download the dataset
python download_and_convert_data.py \
  --dataset_name=flowers \
  --dataset_dir=${DATASET_DIR}# Fine-tune only the new layers for 3000 steps.
python train_image_classifier.py \
  --train_dir=${TRAIN_DIR} \
  --dataset_name=flowers \
  --dataset_split_name=train \
  --dataset_dir=${DATASET_DIR} \
  --model_name=resnet_v1_50 \
  --checkpoint_path=${PRETRAINED_CHECKPOINT_DIR}/resnet_v1_50.ckpt \
  --checkpoint_exclude_scopes=resnet_v1_50/logits \
  --trainable_scopes=resnet_v1_50/logits \
  --max_number_of_steps=3000 \
  --batch_size=32 \
  --learning_rate=0.01 \
  --save_interval_secs=60 \
  --save_summaries_secs=60 \
  --log_every_n_steps=100 \
  --optimizer=rmsprop \
  --weight_decay=0.00004# Run evaluation.
python eval_image_classifier.py \
  --checkpoint_path=${TRAIN_DIR} \
  --eval_dir=${TRAIN_DIR} \
  --dataset_name=flowers \
  --dataset_split_name=validation \
  --dataset_dir=${DATASET_DIR} \
  --model_name=resnet_v1_50

# Fine-tune all the new layers for 1000 steps.
python train_image_classifier.py \
  --train_dir=${TRAIN_DIR}/all \
  --dataset_name=flowers \
  --dataset_split_name=train \
  --dataset_dir=${DATASET_DIR} \
  --checkpoint_path=${TRAIN_DIR} \
  --model_name=resnet_v1_50 \
  --max_number_of_steps=1000 \
  --batch_size=32 \
  --learning_rate=0.001 \
  --save_interval_secs=60 \
  --save_summaries_secs=60 \
  --log_every_n_steps=100 \
  --optimizer=rmsprop \
  --weight_decay=0.00004# Run evaluation.
python eval_image_classifier.py \
  --checkpoint_path=${TRAIN_DIR}/all \
  --eval_dir=${TRAIN_DIR}/all \
  --dataset_name=flowers \
  --dataset_split_name=validation \
  --dataset_dir=${DATASET_DIR} \
  --model_name=resnet_v1_50

以上文件以下载并打包flowers数据集为例会调用slim/datasets下的****download_and_convert_flowers.py
在这里插入图片描述
代码43行：**_NUM_VALIDATION = 350值的意思的测试数据集的数量,我们一般2,8分数据集,这里只用填写测试集的数据代码会自动吧总数据集分成2部分
代码48行：_NUM_SHARDS = 1**这个的意思是生成几个tfrecord文件,这个数量是根据你数据量来划分
在这里插入图片描述
代码190行：dataset_utils.download_and_uncompress_tarball(_DATA_URL, dataset_dir) 函数为下载数据集函数，如果本地已经存在数据集，可将将其注释掉
在这里插入图片描述
代码210行：_clean_up_temporary_files(dataset_dir) 函数为打包完毕后删除下载的数据集文件，如果需要下载的数据集可以将其注释掉

上述文件执行完毕后，会得到以下文件
在这里插入图片描述

3、模型训练

模型训练文件为
在这里插入图片描述
以下是该文件中各个模块相关内容

1、数据集相关模块：

在这里插入图片描述

2、设置网络模型模块

在这里插入图片描述

3、数据预处理模块

在这里插入图片描述

4、定义损失loss

在这里插入图片描述

5、定义优化器模块

在这里插入图片描述

运行训练指令：

python train_image_classifier.py \
  --train_dir=./data/flowers-models/resnet_v1_50\
  --dataset_name=flowers \
  --dataset_split_name=train \
  --dataset_dir=./data/flowers \
  --model_name=resnet_v1_50 \
  --checkpoint_path=./data/checkpoints/resnet_v1_50.ckpt \
  --checkpoint_exclude_scopes=resnet_v1_50/logits \
  --trainable_scopes=resnet_v1_50/logits \
  --max_number_of_steps=3000 \ 
  --batch_size=32 \
  --learning_rate=0.01 \
  --save_interval_secs=60 \
  --save_summaries_secs=60 \
  --log_every_n_steps=100 \
  --optimizer=rmsprop \
  --weight_decay=0.00004

–dataset_name=指定模板
–model_name=指定预训练模板
–dataset_dir=指定训练集目录
–checkpoint_exclude_scopes=指定忘记那几层的参数,不带进训练里面,记住提取特征的部分
–train_dir=训练参数存放地址
–trainable_scopes=设定只对那几层变量进行调整,其他层都不进行调整,不设定就会对所有层训练(所以是必须要给定的)
–learning_rate=学习率
–optimizer=优化器
–checkpoint_path：预训练模型存放地址
–max_number_of_steps=训练步数
–batch_size=一次训练所选取的样本数。 (Batch Size的大小影响模型的优化程度和速度。同时其直接影响到GPU内存的使用情况，假如你GPU内存不大，该数值最好设置小一点。)
–weight_decay=即模型中所有参数的二次正则化超参数(这个的加入就是为了防止过拟合加入正则项,weight_decay 是乘在正则项的前面，控制正则化项在损失函数中所占权重的)

注意：在模型训练前，需要下载预训练模型，
wget http://download.tensorflow.org/models/resnet_v1_50_2016_08_28.tar.gz
解压后存放在相应目录

标签： tensorflow neo4j 人工智能
本文转载自: https://blog.csdn.net/guoqingru0311/article/details/132514699
版权归原作者 郭庆汝 所有， 如有侵权，请联系我们删除。
登录后发布评论

“TensorFlow-slim包进行图像数据集分类---具体流程”的评论:

还没有评论
关于作者
...
overfit同步小助手
文章同步
相关阅读

机器人技术在安全领域的重要作用

安全学习记录——网络篇（一）

图腾柱PFC：HP1010为您的电动两轮车之旅提供绿色，高效，安全的动力

单元测试数据库回滚问题

这才是单元测试，之前我们都错了

【C语言基础】：字符函数和字符串函数

ChatGPT-Next-Web SSRF漏洞+XSS漏洞复现(CVE-2023-49785)

文章导航