零、学习目标
本篇文章主要讲解自己的图像数据如何在TnesorFlow上训练，主要从数据准备、训练模型、验证准确率和导出模型并对图片分类。重点如下：
- 微调
- 导出模型并对图片分类
一、微调
1.原理
对于新手来说，在自己的数据集上训练一个模型时，最简单的方法是在ImageNet的模型上进行微调。什么是微调呢？以VGG16为例，它的结构为5部分卷积层共13层（conv1 ~ conv5）和3层的全连接层（fc6 ~ fc8），一共16层，因此被称为VGG16。
如果将VGG16的结构用于一个新的数据集，就要去掉最后一层的全连接层，因为最后一层全连接层的输入是前一层的特征，输出的是1000类的概率，正好对应了ImageNet中的1000个类别，但是在这里，我们的类别只有6种，所以要去掉最后一层全连接层，采用一个更符合数据类别的全连接层。
这时，网络参数的初始化值就不是随机生成的了，而是利用VGG16在ImageNet上已经训练好的参数作为训练的初始值。因为ImageNet训练集上的VGG16已经包含了大量有用的卷积过滤器，使用已存在的参数不久节约时间，也有助于提高分类器的性能。
2.训练范围
在载入参数后，我们可以指定训练层数范围，训练层数可选范围如下：
3.只训练fc8这一层，保持其他层的参数不变，将VGG16作为一个特征提取器，用fc7层提起的特征做Softmax分类，这样做有利提高训练速度，但是性能不是最佳的；
4.训练所有参数，对网络中的所有参数都进行训练，性能得以提高，深度模型得以充分发挥，但是速度太慢；
5.训练部分参数，固定浅层参数不变，训练深层参数。
以上这三种方法就是神经网络的微调，通过微调可以将神经网络通过以有模型应用到自己的数据集上。
3.数据处理
我们首先将数据分为训练集和验证集，之后将图片转化为tfrecord格式【注1】。将文件夹 data_preoare 复制到项目的根部录下。这个文件夹中由所需的数据集和代码。data_preoare/pic/train 目录是训练文件所在的目录，data_preoare/pic/validation 目录是验证文件所在的目录。两个目录下又以不同分类划分了6种类别，分别为：农田、冰川、城市地区、森林、水域和岩石，每个文件夹中存放的图片为jpg格式的图片。
由于神经网络无法识别jpg格式的数据，所以需要将图片数据转为tfrecord格式的数据。 切换到 data_preoare 文件夹下，在命令行输入如下命令进行格式转换：
python data_convert.py -t pic/ --train-shards 2 --validation-shards 2 --num-threads 2 --dataset-name satellite
解释一下上面参数的含义：
运行命令后，pic文件夹下会出现五个新的数据文件，以 satellite_train_ 开头的训练据文件和以 satellite_validation_ 开头的验证数据文件，并且还包含一个label.txt文件，表示图片的标签数字到真实类别字符串的映射顺序。例如tfrecod中图片标签为0，就代表类别为label.txt中的第一行类别。
注1：
文件下载地址：下载文件
注2：
如果训练数据集较大，则可以将训练数据集划分为多个数据块
注3：
线程数量必须能整除train-shars和validation-shards，这样才能抱枕每个线程中数据块的数量相等
4.下载TensorFlow Slim 源代码
下载TensorFlow Slim 是Google提供的图像分类工具。里面提供了图像分类的接口、常用的网络结构和预训练模型。
利用git下载Slim源码：git clone ht仁ps://github.corn/tensorflow/models.git，我所提供的下载地址中也有Slim源码。将 Slim 文件夹复制到根目录下即可。代码结构如下：
4. 定义dataset
在 slim/datasets 目录下创建 satellite.py 文件，将 flowers.py 文件中的内容复制进去。修改部分代码：
4. _FILE_PATTERN、SPLITS_TO_SIZE、_NUM_CLASSES
# 数据的文件名 _FILE_PATTERN = 'satellite_%s_*.tfrecord' # 训练集和验证集的数量 SPLITS_TO_SIZE = {'train':4800,'validation':1200} # 数据集中图片的类别数目 _NUM_CLASSES = 6
2. image/format
# 设定图片格式 'image/format' : tf.FixedLenFeature((),tf.string,default_value = 'jpg')
3. 修改dataset_factory.py
from datasets import cifar10 from datasets import flowers from datasets import imagenet from datasets import mnist # 将satellite模块添加进来 from datasets import satellite # satellite 数据库加入进来 datasets_map = { 'cifar10':cifar10, 'flowers':flowers, 'imagenet':imagenet, 'mnist':mnist, 'satellite':satellite }
5.准备训练文件夹
在slim文件夹下新建 satellite 目录、satellite/data（训练和验证数据文件夹）、satellite/train_dir（保存训练日志和模型文件夹）、satellite/pretrained。创建完目录后需要完成以下工作：
6.将转换好格式的数据（包括label.txt）复制 satellite/data 文件夹
7.下载Inception V3模型，下载地址是：下载地址，解压后，将inception_v3.ckpt文件复制到 satellite/pretrained
8.训练程序
在slim文件夹下启动命令行，输入如下命令开始训练（代码需要在TensorFlow GPU版本上运行）：
python train_image_classifier.py --train_dir=satellite/train_dir --dataset_name=satellite --dataset_split_name=train --dataset_dir=satellite/data --model_name=inception_v3 --checkpoint_path=satellite/pretrained/inception_v3.ckpt --checkpoint_exclude_scopes=InceptionV3/Logits,InceptionV3/AuxLogits --trainable_scopes=InceptionV3/Logits,InceptionV3/AuxLogits --max_number_of_steps=100000 --batch_size=32 --learning_rate=0.001 --learning_rate_decay_type=fixed --save_interval_secs=300 --save_summaries_secs=2 --log_every_n_steps=10 --optimizer=rmsprop --weight_decay=0.00004
解释一下上面参数的含义：
| 参数 | 说明 |
| –trainable_scopes=InceptionV3/Logits,InceptionV3/AuxLogits | 指定模型微调变量的范围。这里指设定表示只对 InceptionV3/Logits 和 InceptionV3/AuxLogits 两个变量微调，也就是对fc8进行微调，如果不设置此参数，将会对所有参数进行训练。 |
| –train_dir=satellite/train_dir | 在 satellite/train_dir 目录下保存日志和模型文件（heckpoint） |
| –dataset_name=satellite、–datasets_split_name=train | 指定训练数据集 |
| –dataset_dir=satellite/data | 训练数据集保存的位置 |
| –model_name=inception_v3 | 使用的模型名称 |
| –checkpoint_path=satellite/pretrained/inception_v3.ckpt | 预训练模型保存的位置 |
| –checkpoint_exclude_scopes=InceptionV3/Logits,InceptionV3/AuxLogits | 恢复预训练模型时不回复这两层，因为这两层模型对应着ImageNet数据集的1000类，与当前数据集不符，所以不要恢复他 |
| –max_number_of_steps 100000 | 最大执行步数 |
| –batch_size=32 | 每步的batch数量 |
| –learning_rate=0.001 | 学习率 |
| –learning_rate_decay_type=fixed | 学习率是否下降，此处固定学习率 |
| –save_interval_secs=300 | 每隔300秒保存一次模型，保存到train_dir目录下 |
| –save_summaries_secs=2 | 每隔2秒保存一次日志 |
| –log_every_n_steps=10 | 每隔10步在屏幕上打印出训练信息 |
| –optimizer=rmsprop | 指定优化器 |
| –weight_decay=0.00004 | 设定weight_decay，即模型中所有参数的二次正则化超参数 |
注4：
开始训练时，如果训练文件夹（satellite/train_dir)里没有保存的模型，就会自动加载 checkpoint_path 中的预训练模型，然后程序会把初始模型保存在train_dir中，命名为 model.ckpt-0，0表示第0步。之后每隔300秒就会保存一次模型，由于模型较大，所以只会保留最新的5个模型。如果中断程序运行后再次运行，会首先检查train_dir文件夹中是否存在模型，如果存在则接着存在的模型开始训练。
7. 验证模型
要查看模型的准确率，可以使用 eval_image_classifier.py 来验证，在命令行输入如下命令：
python eval_image_classifier.py --checkpoint_path=satellite/train_dir --eval_dir=statellite/eval_dir --dataset_name=satellite --dataset_split_name=validation --dataset_dir=satellite/data --model_name=inception_v3
下面来解释一下参数
执行后会打印出如下内容：
eval/Accuracy[0.51] eval/Recall_5[0.973333336]
Accuracy表示模型的分类准确率，Recall_5表示前5次的准确率
8. TensorBoard 可视化与超参数选择
使用TnesorBoard 有助于设定训练模型的方式以及超参数，命令行输入如下参数：
tensorboard --logdir satellite/train_dir
在TensorBoard中可以查看损失变化曲线，损失变化曲线有助于调整参数。如果损失曲线比动较大，无法收敛，就有可能时学习率过大，适当减小学习率就行了。
现在做如下操作：
1.在 train_dir 中建立两个文件夹，分别存放只微调fc8和微调整个网络的模型。通过调整 train_dir 参数将这两种模型分别存入新建的文件夹中，之后使用命令：
tensorboard --logdir satellite/train_dir
浏览器打开TensorBoard就可以看到狂歌模型的损失曲线，上方的为只训练末端的损失数，下方为训练所有层的损失函数。看损失函数可以看出训练所有层比只训练末端要好。
二、到处模型并分类图片
模型训练完之后，将会进行部署。这里提供了两个文件 freeze_graph.py 和 classify_image_inception_v3.py 前者用于导出识别模型，后者用于识别单张图片。在slim文件夹下执行如下命令：
python export_inference_graph.py --alsologtostderr --model_name=inception_v3 --output_file=satellite/inception_v3_inf_graph.pb --dataset_name satellite
命令执行后，会在satellite文件夹下生成一个 inception_v3_inf_graph.pb 文件，但是这个文件不包含训练获得的模型参数，需要将cheeckpoint中的模型参数保存进来，方法是使用freeze_graph.py：
python freeze_graph.py --input_graph slim/satellite/inception_v3export_inference_graph.pb --input_checkpoint slim/satellite/train_dir/model.ckpt-5271 --input_binary true --output_node_names InceptionV3/Predictions/Reshape_1 --output_graph slim/satellite/frozen_graph.pb
这里讲解一下参数：
下面开始对图片进行识别。命令行执行脚本 classify_image_inception_v3.py ，运行如下命令：
python classify_image_inception_v3.py --model_path slim/statellite/frozen_graph.pb --label_path data_preoare/pic/label.txt --image_file test_image.jpg
讲解参数：
执行完参数后，将输出每种类别的概率。
三、总结
首先简要介绍了微调神经网络的基本原理，接着详细介绍了如何使用 TensorFlow Slim 微调预训练模型，包括数据准备、定义新的 datasets 文件、训练、 验证 、 导出模型井测试单张图片等。
