本文主要讨论的是预训练InceptionV3如何定义不同的输入以及输出,并展示了提取不同inception模型节点的迁移学习效果
网上很容易找到关于InceptionV3模型迁移学习的文章
但是这些文章都是一致的读取JPG作为二进制输入，选择BOTTLENECK作为输出，但是我的输入是一个图片矩阵，不想那么笨的将一个个图片矩阵写成JPG图片，就对InceptionV3
的结构进行了一下探索
1.常规的加载模型的PB文件，定义各tensor
主要问题是假如我的输入是矩阵，不能直接用参考文章中的JPEG_INPUT作为输入。那么要怎么找到这个矩阵tensor的定义呢？
我的想法是，既然加载了模型到计算图中，利用tensorboard强大的功能，可以显示计算图的结构，那么从这个结构中就知道怎么定义不同格式的输入了
2.得到计算图
只需要定义与加载好InceptionV3的模型后，利用常规的tensorboard的写入图函数就能得到计算图
然后打开tensorboard就能得到图结构
然后我们仔细看stem的输入部分
可以看到假如我们直接读取JPG文件，输入到计算图中的是一个标量
DecodeJpeg/contents:0
因为我的输入就是 一 N*229*229*3的图片矩阵，我想要直接将这个矩阵输入到计算图中，仔细看图的结构
会看到Cast节点可以接受任意尺寸的矩阵输入，然后再扩展维度为 （1，？，？，3）的图片矩阵，最后统一resize为（1,229,229,3）的图片矩阵
所以也就是说这个模型时不支持batch输入的，必须要一张一张或者是一个一个图片矩阵输入才可以。
因为我的输入就是 229*229*3的矩阵，那么直接定义想要用的节点
ExpandDims:0
作为输入就可以，输入可以是任意的H,W，只需要保证输入格式是（1,H,W,3）就可以了
同理，可以修改想要的输出节点
文章后面尝试了pool_3的输入节点作为特征，并比较了效果
效果
我的face_img是一个（10000,229,229,3）的大矩阵，需要一个个的输入这个图片矩阵
大概转换一个图片矩阵为特征的话需要0.2秒的时间
实验：
inception 不同节点的迁移学习
1.只提取BottleNeck的输出，也就是图片提取的特征为（1,2048）
当前我的项目上刚好需要对一个新的数据集进行分类，我的数据集大概有 50000张图片，分类有16种
（1）将所有图片输入到inception模型中，输出为bottleneck节点，然后再建立3层的全连接神经网络对这些特征进行分类，实验结果还是效果不错，以及比自己重新建立一个CNN网络的表现要好了，在经过比较短的时间训练后在验证集上的到了80%左右的准确率。
由于训练的是全连接神经网络，增加训练时间很可能会使得网络过拟合，所以这个方法的准确率大概为80%，效果已经很好了
2.提取更靠前节点的输出
按照inceptionv3的计算图结构，可以看到bottleneck前面接的是一个pool层，pool层前面是一个inception block，我选择提取池化前的特征，特征维度为 （1,8,8,2048）
按照前面所说的方法，找点这个节点的名称，就能够提取到这部分的特征
将所有图片输入网络，提取出这个节点的特征后保存
提取的特征维度为 ： （50000,8,8,2048）且每个数为32位浮点数，假如一次加载到内存中大概需要25GB的内存，所以我选择将这些特征数据分成10小份，每份大小为2.5G左右
然后训练一个卷积网络对这些特征进行分类，我选择的网络结构为：
conv1： 2048@3*3/1 （N，8,8,2048） -> （N，6,6,2048）
conv2： 2048@3*3/1 （N，6,6,2048） -> （N，4,4,2048）
conv3： 2048@3*3/1 （N，4,4,2048） -> （N，2,2,2048）
FC4: 2048 (N,2*2*2048) -> (N,2048)
FC5: 1024 (N,2048) -> (N,1024)
FC6: 16 (N,1024) -> (N,16)
最后输出为 FC6层
在经过5小时的训练后，网络在验证集上的准确率大概收敛在93%左右。这还只是粗略的训练，没有对网络进行调参
结论：
假如你在自己的项目上有比较小的数据集，而又想利用深度学习方案解决这个问题，这时候利用迁移学习得到的结果肯定是比重新训练一个新的CNN网络要好很多。假如只利用BOTTLENECK的输入分类得到的效果不好，可以尝试提取更加高维度的特征，这样得到的结果会更加好