參考:https://blog.csdn.net/nnnnnnnnnnnny/article/details/70244232
遷移學習就是把一個已經訓練好的神經網絡隱層的輸出當做特徵,然後用自己的標記數據訓練一個新的全連接層,用於分類。
# %load transfer_flower.py
#!/usr/bin/env python3
# glob,文件路徑查找模塊
import glob
import os.path
import random
import numpy as np
import tensorflow as tf
from tensorflow.python.platform import gfile
# Inception-v3模型瓶頸層的節點個數
BOTTLENECK_TENSOR_SIZE = 2048
# Inception-v3模型中代表瓶頸層結果的張量名稱。
# 在谷歌提出的Inception-v3模型中,這個張量名稱就是'pool_3/_reshape:0'。
# 在訓練模型時,可以通過tensor.name來獲取張量的名稱。
BOTTLENECK_TENSOR_NAME = 'pool_3/_reshape:0'
# 圖像輸入張量所對應的名稱。
JPEG_DATA_TENSOR_NAME = 'DecodeJpeg/contents:0'
# 下載的谷歌訓練好的Inception-v3模型文件目錄
MODEL_DIR = 'model/'
# 下載的谷歌訓練好的Inception-v3模型文件名
MODEL_FILE = 'tensorflow_inception_graph.pb'
# 因爲一個訓練數據會被使用多次,所以可以將原始圖像通過Inception-v3模型計算
# 得到的特徵向量保存在文件中,免去重複的計算。
# 下面的變量定義了這些文件的存放地址。
CACHE_DIR = 'tmp/bottleneck/'
# 圖片數據文件夾。
# 在這個文件夾中每一個子文件夾代表一個需要區分的類別,每個子文件夾中存放了對應類別的圖片。
INPUT_DATA = 'flower_data/'
# 驗證的數據百分比
VALIDATION_PERCENTAGE = 10
# 測試的數據百分比
TEST_PERCENTAGE = 10
# 定義神經網絡的設置
LEARNING_RATE = 0.01
STEPS = 4000
BATCH = 100
# 這個函數從數據文件夾中讀取所有的圖片列表並按訓練、驗證、測試數據分開。
# testing_percentage和validation_percentage參數指定了測試數據集和驗證數據集的大小。
def create_image_lists(testing_percentage, validation_percentage):
# 得到的所有圖片都存在result這個字典(dictionary)裏。
# 這個字典的key爲類別的名稱,value也是一個字典,字典裏存儲了所有的圖片名稱。
result = {}
# 獲取當前目錄下所有的子目錄
sub_dirs = [x[0] for x in os.walk(INPUT_DATA)]
# 得到的第一個目錄是當前目錄,不需要考慮
is_root_dir = True
for sub_dir in sub_dirs:
if is_root_dir: # sub_dirs的第一個元素是根目錄,即INPUT_DATA,應跳過
is_root_dir = False
continue
# 獲取當前目錄下所有的有效圖片文件。
extensions = ['jpg', 'jpeg', 'JPG', 'JPEG']
file_list = []
dir_name = os.path.basename(sub_dir)
for extension in extensions:
# 得到後綴名爲extensions的文件路徑
file_glob = os.path.join(INPUT_DATA, dir_name, '*.'+extension)
# glob.glob()方法將返回所有匹配的文件路徑列表(list),
# list.extend()表示在list的末尾一次性追加另一個列表的多個值,用於擴展列表
file_list.extend(glob.glob(file_glob))
# 如果文件列表爲空,則跳出循環
if not file_list:
continue
# 通過目錄名獲取類別的名稱。
label_name = dir_name.lower()
# 初始化當前類別的訓練數據集、測試數據集和驗證數據集(3個空列表)
training_images = []
testing_images = []
validation_images = []
for file_name in file_list:
base_name = os.path.basename(file_name)
# 隨機將數據分到訓練數據集、測試數據集和驗證數據集。
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)
# 將當前類別的數據放入結果字典。
# 字典的key爲類別的名稱,value也是一個字典,字典裏存儲了所有的圖片名稱
result[label_name] = {
'dir': dir_name,
'training': training_images,
'testing': testing_images,
'validation': validation_images
}
# 返回整理好的所有數據
return result
# 這個函數通過類別名稱、所屬數據集和圖片編號獲取一張圖片的地址。
# image_lists參數給出了所有圖片信息。
# image_dir參數給出了根目錄。存放圖片數據的根目錄和存放圖片特徵向量的根目錄地址不同。
# label_name參數給定了類別的名稱。
# index參數給定了需要獲取的圖片的編號。
# category參數指定了需要獲取的圖片是在訓練數據集、測試數據集還是驗證數據集。
def get_image_path(image_lists, image_dir, label_name, index, category):
# 從圖片列表中獲取給定類別中所有圖片的信息。
label_lists = image_lists[label_name]
# 從給定類別的列表中,根據所屬數據集的名稱獲取集合中的全部圖片信息。
category_list = label_lists[category]
# 根據序號計算圖片所在列表中的編號
mod_index = index % len(category_list)
# 從給定類別和所屬集合的圖像列表中,根據序號獲得圖片的文件名。
base_name = category_list[mod_index]
# 根據key獲得給定類別文件的子目錄
sub_dir = label_lists['dir']
# 最終的地址爲數據根目錄的地址 + 類別的文件夾 + 圖片的名稱
full_path = os.path.join(image_dir, sub_dir, base_name)
return full_path
# 這個函數通過類別名稱、所屬數據集和圖片編號獲取經過Inception-v3模型處理之後的特徵向量文件地址。
def get_bottlenect_path(image_lists, label_name, index, category):
# 文件目錄爲CACHE_DIR,即在bottlenect文件夾中存儲於每幅圖像對應的特徵向量文件
return get_image_path(image_lists, CACHE_DIR, label_name, index, category) + '.txt';
# 這個函數使用加載的訓練好的Inception-v3模型處理一張圖片,得到這個圖片的特徵向量。
def run_bottleneck_on_image(sess, image_data, image_data_tensor, bottleneck_tensor):
# 這個過程實際上就是將當前圖片作爲輸入計算瓶頸張量的值。這個瓶頸張量的值就是這張圖片的新的特徵向量。
bottleneck_values = sess.run(bottleneck_tensor, {image_data_tensor: image_data})
# 經過卷積神經網絡處理的結果是一個四維數組????,
# 需要將這個結果壓縮成一個特徵向量(一維數組)
bottleneck_values = np.squeeze(bottleneck_values)
return bottleneck_values
# 這個函數獲取一張圖片經過Inception-v3模型處理之後的特徵向量。
# 這個函數會先試圖尋找已經計算且保存下來的特徵向量,如果找不到則先計算這個特徵向量,然後保存到文件。
def get_or_create_bottleneck(sess, image_lists, label_name, index, category, jpeg_data_tensor, bottleneck_tensor):
# 獲取一張圖片對應的特徵向量文件的路徑。
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) # 創建文件夾
# 得到圖像文件對應的bottleneck文件名
bottleneck_path = get_bottlenect_path(image_lists, label_name, index, category)
# 如果這個特徵向量文件不存在,則通過Inception-v3模型來計算特徵向量,並將計算的結果存入文件。
if not os.path.exists(bottleneck_path):
# 獲取原始的圖片路徑
image_path = get_image_path(image_lists, INPUT_DATA, label_name, index, category)
# 讀取圖片內容
image_data = gfile.FastGFile(image_path, 'rb').read()
# print(len(image_data))
# 通過Inception-v3模型計算特徵向量
# 由於輸入的圖片大小不一致,此處得到的image_data大小也不一致,
# 但卻都能通過加載的inception-v3模型生成一個2048的特徵向量。
bottleneck_values = run_bottleneck_on_image(sess,
image_data, jpeg_data_tensor, bottleneck_tensor)
# 將bottleneck_values中的每個數值轉換爲字符串,然後用,連接起來。
bottleneck_string = ','.join(str(x) for x in bottleneck_values)
# 將計算得到的特徵向量存入文件
with open(bottleneck_path, 'w') as bottleneck_file:
bottleneck_file.write(bottleneck_string)
else:
# 直接從文件中獲取圖片相應的特徵向量。
with open(bottleneck_path, 'r') as bottleneck_file:
bottleneck_string = bottleneck_file.read()
# bottleneck_string中的序列按,拆開,並轉換爲float。
bottleneck_values = [float(x) for x in bottleneck_string.split(',')]
# 返回得到的特徵向量
return bottleneck_values
# 這個函數隨機獲取一個batch的圖片的特徵向量作爲訓練數據。
# n_classes爲類別個數,how_many爲要獲取的圖像數
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):
# 隨機一個類別和圖片的編號加入當前的訓練數據。
label_index = random.randrange(n_classes) # 返回0~n_classes-1之間的一個隨機數
label_name = list(image_lists.keys())[label_index] # 返回第label_index類的類別名稱
image_index = random.randrange(65536) # 返回0-65535之間的隨機數
# 獲取或計算隨機選取的圖像的特徵向量
bottleneck = get_or_create_bottleneck(sess, image_lists, label_name, image_index, category,
jpeg_data_tensor, bottleneck_tensor)
# 創建一個label向量,長度 = 類別數
ground_truth = np.zeros(n_classes, dtype=np.float32)
ground_truth[label_index] = 1.0
# 把計算好的特徵向量和label向量追加到list中。
bottlenecks.append(bottleneck)
ground_truths.append(ground_truth)
return bottlenecks, ground_truths
# 這個函數獲取全部的測試數據。在最終測試的時候需要在所有的測試數據上計算正確率。
def get_test_bottlenecks(sess, image_lists, n_classes, jpeg_data_tensor, bottleneck_tensor):
bottlenecks = []
ground_truths = []
label_name_list = list(image_lists.keys())
# 枚舉所有的類別和每個類別中的測試圖片。
# enumerate() 函數用於將一個可遍歷的數據對象(如列表、元組或字符串)組合爲一個索引序列,
# 同時列出數據和數據下標
# 例如,seasons = ['Spring', 'Summer', 'Fall', 'Winter'],
# list(enumerate(seasons))-------->[(0, 'Spring'), (1, 'Summer'), (2, 'Fall'), (3, 'Winter')]
for label_index, label_name in enumerate(label_name_list):
category = 'testing'
# 枚舉所有的類別爲label_name的測試圖像。
for index, unused_base_name in enumerate(image_lists[label_name][category]):
# 通過Inception-v3模型計算圖片對應的特徵向量,並將其加入最終數據的列表。
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] = 1.0
bottlenecks.append(bottleneck)
ground_truths.append(ground_truth)
return bottlenecks, ground_truths
def main(_):
# 讀取所有圖片。
image_lists = create_image_lists(TEST_PERCENTAGE, VALIDATION_PERCENTAGE)
n_classes = len(image_lists.keys())
# 讀取已經訓練好的Inception-v3模型。
# 谷歌訓練好的模型保存在了GraphDef Protocol Buffer中,裏面保存了每一個節點取值的計算方法以及變量的取值。
# TensorFlow模型持久化的問題在第5章中有詳細的介紹。
with gfile.FastGFile(os.path.join(MODEL_DIR, MODEL_FILE), 'rb') as f:
graph_def = tf.GraphDef()
graph_def.ParseFromString(f.read())
# 加載讀取的Inception-v3模型,並返回數據輸入所對應的張量以及瓶頸層計算結果所對應的張量。
bottleneck_tensor, jpeg_data_tensor = tf.import_graph_def(graph_def, return_elements=[BOTTLENECK_TENSOR_NAME, JPEG_DATA_TENSOR_NAME])
# 定義新的神經網絡輸入,這個輸入就是新的圖片經過Inception-v3模型前向傳播到達瓶頸層時的結點取值。
# 可以將這個過程類似的理解爲一種特徵提取。
bottleneck_input = tf.placeholder(tf.float32, [None, BOTTLENECK_TENSOR_SIZE], name='BottleneckInputPlaceholder')
# 定義新的標準答案輸入
ground_truth_input = tf.placeholder(tf.float32, [None, n_classes], name='GroundTruthInput')
# 定義一層全連接層來解決新的圖片分類問題,Transfer-learning只需要訓練最後一個全連接層的參數。
# 因爲訓練好的Inception-v3模型已經將原始的圖片抽象爲了更加容易分類的特徵向量了,所以不需要再訓練那麼複雜的神經網絡來完成這個新的分類任務。
with tf.name_scope('final_training_ops'):
weights = tf.Variable(tf.truncated_normal([BOTTLENECK_TENSOR_SIZE, n_classes], stddev=0.001))
biases = tf.Variable(tf.zeros([n_classes]))
logits = tf.matmul(bottleneck_input, weights) + biases
final_tensor = tf.nn.softmax(logits)
# 定義交叉熵損失函數
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)
# 計算正確率
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()
# 訓練過程
for i in range(STEPS):
# 每次獲取一個batch的訓練數據,得到對應的特徵向量和類別標籤
train_bottlenecks, train_ground_truth = get_random_cached_bottlenecks(
sess, n_classes, image_lists, BATCH, 'training', jpeg_data_tensor, bottleneck_tensor)
# 將特徵向量和類別標籤作爲全連接網絡訓練的輸入、輸出
sess.run(train_step, feed_dict={bottleneck_input: train_bottlenecks, ground_truth_input: train_ground_truth})
# 在驗證集上測試正確率。
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))
# 在最後的測試數據上測試正確率
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()