詳解tensorflow實現(xiàn)遷移學習實例

更新時間：2018年02月10日 16:15:23 作者：瘋女孩愛飛

本篇文章主要介紹了詳解tensorflow實現(xiàn)遷移學習實例，小編覺得挺不錯的，現(xiàn)在分享給大家，也給大家做個參考。一起跟隨小編過來看看吧

本文主要是總結利用tensorflow實現(xiàn)遷移學習的基本步驟。

所謂遷移學習，就是將上一個問題上訓練好的模型通過簡單的調整使其適用于一個新的問題。比如說，我們可以保留訓練好的Inception-v3模型中所有的參數(shù)，只替換最后一層全連接層。在最后一層全連接層之前的網絡稱之為瓶頸層（bottleneck）。

持久化

首先需要簡單介紹下tensorflow中的持久化：在tensorflow中提供了一個非常簡單的API來保存和還原一個神經網絡模型，這個API就是tf.train.Saver類。當采用該方法保存時會生成三個文件，一個文件是model.ckpt.meta，它保存了Tensorflow計算圖的結構；第二個文件是model.ckpt，它保存了程序中每一個變量的取值；最后一個文件是checkpoint文件，這個文件中保存了一個目錄下所有模型文件列表。

保存圖

init_op = tf.initialize_all_variables()
with tf.Session() as sess:
  sess.run(init_op)
  saver.save(sess, "model.ckpt")

加載圖

saver = tf.train.import_meta_graph("model.ckpt.meta")
with tf.Session() as sess:
  saver.restore(sess, "model.ckpt")

遷移學習

第一步：讀取加載已經訓練好的模型

在inception-v3模型代表瓶頸層結果的張量名稱是'pool3/_reshape:0'，圖像輸入張量對應的名稱'DecodeJpeg/contents:0'

BOTTLENECK_TENSOR_NAME = 'pool_3/_reshape:0'
JPEG_DATA_TENSOR_NAME = 'DecodeJpeg/contents:0'
#讀取已經訓練好的模型
  with gfile.FastGFile(os.path.join(MODEL_DIR, MODEL_FILE), 'rb') as f:
    graph_def = tf.GraphDef()
    graph_def.ParseFromString(f.read())
  bottleneck_tensor, jpeg_data_tensor = tf.import_graph_def(graph_def, return_elements=[BOTTLENECK_TENSOR_NAME, JPEG_DATA_TENSOR_NAME])

第二步：利用讀取的模型，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的取值，是一種特征提取過程。

def run_bottlenect_on_images(sess, image_data, image_data_tensor, bottlenect_tensor):
  bottlenect_values = sess.run(bottlenect_tensor, {image_data_tensor: image_data})

  # 經過卷積網絡處理后的是一個思維數(shù)組，壓縮成一個特征，一維向量輸出
  bottlenect_values = np.squeeze(bottlenect_values)
  return bottlenect_values

該過程實際上利用獲取的tensor計算圖片的特征向量，完成特征提取的過程。

第三步：利用獲取的圖像的特征向量完成接下來的任務（比如分類）

以上是僅關鍵代碼。希望對大家的學習有所幫助，也希望大家多多支持腳本之家。

您可能感興趣的文章: