tensorflow利用inception_v3训练自己的模型并识别

利用Google已经训练好的inception_v3模型，修改最后一层，训练我们自己的模型。
在学习inception_v3的过程中找了很多资料，我把这些资料有用的地方进行了总结。

1.训练

<下载retrain.py文件>
这是下载链接 https://github.com/tensorflow/tensorflow/tree/r1.1

根据自己的tensorflow的版本在branch中选择自己的版本。并按照tensorflow—examples—image_retraining—retrain.py寻找即可
注：将此py文件的几处根据自己的需要更改下
训练完的结果：在tmp文件夹下有.pb文件

2.测试

```python
# -*- coding: utf-8 -*-
"""
use_output_graph
使用retrain所训练的迁移后的inception模型来测试

"""
import tensorflow as tf
import numpy as np
import os
from PIL import Image
import matplotlib.pyplot as plt

model_name = './tmp/output_graph.pb'
image_dir = './test/'
label_filename = './tmp/output_labels.txt'


# 读取并创建一个图graph来存放Google训练好的Inception_v3模型（函数）
def create_graph():
    with tf.gfile.FastGFile( model_name, 'rb') as f:
        # 使用tf.GraphDef()定义一个空的Graph
        graph_def = tf.GraphDef()
        graph_def.ParseFromString(f.read())
        # Imports the graph from graph_def into the current default Graph.
        tf.import_graph_def(graph_def, name='')

# 读取标签labels
def load_labels(label_file_dir):
    labels = []
    if not tf.gfile.Exists(label_file_dir):
        # 预先检测地址是否存在
        tf.logging.fatal('File does not exist %s', label_file_dir)
    else:
        # 读取所有的标签返并回一个list

        labels = tf.gfile.GFile(label_file_dir).readlines()
        for i in range(len(labels)):
            labels[i] = labels[i].strip('\n')

    return labels

#创建graph
create_graph()
#创建会话，因为是从已有的Inception_v3模型中恢复，所以无需初始化
with tf.Session() as sess:
    # Inception_v3模型的最后一层final_result:0的输出
    softmax_tensor = sess.graph.get_tensor_by_name('final_result:0')

    # 遍历目录
    for root, dirs, files in os.walk(image_dir):
        for file in files:
            # 载入图片
            image_data = tf.gfile.FastGFile(os.path.join(root, file), 'rb').read()
            # 输入图像（jpg格式）数据，得到softmax概率值（一个shape=(1,1008)的向量）
            predictions = sess.run(softmax_tensor,{'DecodeJpeg/contents:0': image_data})
            # 将结果转为1维数据
            predictions = np.squeeze(predictions)

            # 打印图片路径及名称
            image_path = os.path.join(root, file)
            print(image_path)
            # 显示图片
            img = Image.open(image_path)
            plt.imshow(img)
            plt.axis('off')
            plt.show()

            # 排序，取出前5个概率最大的值（top-5),本数据集一共就5个
            # argsort()返回的是数组值从小到大排列所对应的索引值
            top_5 = predictions.argsort()[-5:][::-1]
            for label_index in top_5:
                # 获取分类名称
                label_name = load_labels(label_filename)[label_index]
                # 获取该分类的置信度
                label_score = predictions[label_index]
                print('%s (score = %.5f)' % (label_name, label_score))
            print()

3.结果

我做的是一个猫狗的识别，所以训练的依次用了200多张的猫和200多张的狗图片，利用迁移学习inception_v3训练自己的模型，要比自己训练自己的模型识别率高很多。
这是我测试的一个图片：
测试结果如下：