Tensorflow Inception-v3模型迁移学习
"""
@author: wangquaxiu
@time: 2018/8/27 19:13
"""
import glob
import os.path
import random
import numpy as np
import tensorflow as tf
from tensorflow.python.platform import gfile
# Inception-v3模型瓶颈层的节点个数
BOTTLENECK_TENSOR_SIZE = 2048
# Inception-v3模型中代表瓶颈层结果的张量名称。在谷歌提供的Inception-v3模型中，这
# 个张量名称就是'pool_3/_reshape:0'。在训练模型时，可以通过tensor.name来获取张量的名称。
BOTTLENECK_TENSOR_NAME = 'pool_3/_reshape:0'
# 图像输入张量多对应的名称。
JPEG_DATA_TENSOR_NAME = 'DecodeJpeg/contents:0'
# 下载的谷歌训练好的Inception-v3模型文件目录。
MODEL_DIR = 'path/to/model'
# 下载的谷歌训练好的Inception-v3模型文件名
MODEL_FILE = 'tensorflow_inception_graph.pb'
# 因为一个训练数据会被使用多次，所以可以将原始图像通过Inception-v3模型计算得到
# 的特征向量保存在文件中，免去重复计算。下面的变量定义了这些文件的存放地址。
CACHE_DIR = 'tmp/bottlebeck'
# 图片数据文件夹。在这个文件夹中每一个子文件夹代表了一个需要区分的类别，每个子文件夹中
# 存放了对应类别的图片。
INPUT_DATA = 'path/to/flower_data'
# 验证的数据百分比。
VALIDATION_PERCENTAGE = 10
# 测试的数据百分比
TEST_PRECENTAGE = 10
# 定义神经网络的设置。
LEARNING_RATE = 0.01
STEPS = 4000
BATCH = 100
# 这个函数从数据文件夹中读取所有的图片列表并按照训练、验证、测试数据分开。
# testing_percentage和validation_percentage参数指定了测试数据集和验证数据集的
# 大小
def create_image_lists(testing_percentage, validation_perscentage):
# 得到的所有图片都存在result这个字典（dictionary）里。这个字典的key为类别名称，
# value也是一个字典，字典里储存；了所有图片的名称。
result = {}
# 获取当前目录下所有的子目录。
sub_dirs = [x[0] for x in os.walk(INPUT_DATA)]
# 得到的第一个目录是当前目录，不需要考虑。
is_root_dir = True
for sub_dir in sub_dirs:
if is_root_dir:
is_root_dir = False
continue
# 获取当前目录下所有的有效图片文件
extensions = ['jpg', 'jpeg', 'JPG', 'JPEG']
file_list = []
dir_name = os.path.basename((sub_dir))
for extension in extensions:
file_glob = os.path.join(INPUT_DATA, dir_name, '*.' + extension)
file_list.extend(glob.glob(file_glob))
if not file_list:
continue
# 通过目录名称获取类别的名称
label_name = dir_name.lower()
# 初始化当前类别的训练数据集、测试数据集和验证数据集。
training_images = []
testing_images = []
validation_images = []
for file_name in file_list:
base_name = os.path.basename(file_name)
# 随即将数据分到训练数据集、测试数据集和验证数据集。
chance = np.random.randint(100)
if chance < validation_perscentage:
validation_images.append(base_name)
elif chance < (testing_percentage + validation_perscentage):
testing_images.append(base_name)
else:
training_images.append(base_name)
# 将当前类别的数据放入结果字典。
result[label_name] = {
'dir': dir_name,
'training': training_images,
'testing': testing_images,
'validation': validation_images
}
# 返回整理好的所有数据。
return result
# 这个函数通过类别名称、所属数据集和图片编号获取一张图片的地址。
# image_lists参数给出了多有图片信息。
# image_dir参数给出了根目录。存放数据的根目录和存放图片特征向量的根目录地址不同。
# label_name参数给定了类别的名称。
# imdex参数给定了需要获取的图片的编号。
# category参数指定了需要获取的图片是在训练数据集、测试数据集还是验证数据集。
def get_image_path(image_lists, image_dir, label_name, index, category):
# 获取给定类别中所有图片的信息。
label_lists = image_lists[label_name]
# 根据所属数据集的名称获取集合中全部图片信息。
category_list = label_lists[category]
mod_index = index % len(category_list)
# 获取图片的文件名。
base_name = category_list[mod_index]
sub_dir = label_lists['dir']
# 最终的地址为数据根目录的地址加上类别的文件夹加上图片的名称。
full_apth = os.path.join(image_dir, sub_dir, base_name)
return full_apth
# 这个函数通过类别名称、所属数据集和图片编号获取经过Inception-v3模型处理之后的特征向量
# 文件地址
def get_bottleneck_path(image_lists, label_name, index, category):
return get_image_path(image_lists, CACHE_DIR, label_name, index, category) + '.txt'
# 这个函数使用加载的训练好的Inception-v3模型处理一张图片，得到这个图片的特征向量。
def run_bottlebeck_on_image(sess, image_data, image_data_tensor, bottleneck_tensor):
# 这个过程实际上就是将当前图片作为输入计算瓶颈张量的值。这个瓶颈张量的值就是这张
# 图片的新的特征向量
bottleneck_values = sess.run(bottleneck_tensor, {image_data_tensor: image_data})
# 经过卷积神经网络处理的结果是一个四维数组，需要将这个结果压缩成一个特征向量
bottleneck_values = np.squeeze(bottleneck_values)
return bottleneck_values
# 这个函数获取一张图片经过Inception-v3模型处理之后的特征向量。这个函数会先试图寻找
# 已经计算且保存下来的特征向量，如果找不到则先计算这个特征向量，然后保存到文件。
def get_or_create_bottleneck(sess, image_lists, label_name, index,
category, jpeg_data_tensor, bottlebeck_tensor):
# 获取一张图片对应的特征向量文件的路径。
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)
bottlebeck_path = get_bottleneck_path(image_lists, label_name, index, category)
# 如果这个特征向量文件不存在，则通过Inception-v3模型来计算特征向量，并将计算的结果
# 存入文件
if not os.path.exists(bottlebeck_path):
# 获取原始的图片路径。
image_path = get_image_path(image_lists, INPUT_DATA, label_name, index, category)
# 获取图片内容。
image_data = gfile.FastGFile(image_path, 'rb').read()
# 通过Inception-v3模型计算特征向量。
bottlebeck_values = run_bottlebeck_on_image(sess, image_data, jpeg_data_tensor,
bottlebeck_tensor)
# 将计算得到的特征向量存入文件
bottlebeck_string = ','.join(str(x) for x in bottlebeck_values)
with open(bottlebeck_path, 'w') as bottlebeck_file:
bottlebeck_file.write(bottlebeck_string)
else:
# 直接从文件中获取图片相应的特征向量。
with open(bottlebeck_path, 'r') as bottlebeck_file:
bottlebeck_string = bottlebeck_file.read()
bottlebeck_values = [float(x) for x in bottlebeck_string.split(',')]
# 返回得到的特征向量
return bottlebeck_values
# 这个函数随机获取一个batch的图片作为训练数据。
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):
# 随机一个类别和图片的编号加入当前的训练数据。
label_index = random.randrange(n_classes)
label_name = list(image_lists)[label_index]
image_index = random.randrange(65536)
bottleneck = get_or_create_bottleneck(sess, image_lists, label_name, image_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
# 这个函数获取全部的测试数据。在最终测试的时候需要在所有的测试数据上计算正确率。
def get_test_bottlenecks(sess, image_lists, n_classes, jpeg_data_tensor, bottleneck_tensor):
bottlenecks = []
ground_truths = []
label_name_list = list(image_lists.keys())
# 枚举所有的类别和每个类别中的测试图片。
for label_index, label_name in enumerate(label_name_list):
category = 'testing'
for index, unused_base_name in enumerate(image_lists[label_name][category]):
# 通过Inception-v3模型计算图片对应的特征向量，并将其加入最终数据的列表。
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(_):
# 读取所有图片
image_lists = create_image_lists(TEST_PRECENTAGE, VALIDATION_PERCENTAGE)
n_classes = len(image_lists.keys())
# 读取已经训练好的Inception-v3模型。谷歌训练好的模型保存在了GraphDefProtocol
# Buffer中，里面保存了每一个节点取值的计算方法以及变脸的取值。Tensorflow模型
# 持久化的问题在第五章中有详细介绍
with gfile.FastGFile(os.path.join(MODEL_DIR, MODEL_FILE), 'rb') as f:
graph_def = tf.GraphDef()
graph_def.ParseFromString(f.read())
# 加载读取的Inception-v3模型，并返回数据输入多对应的张量以及计算瓶颈层结果
# 所对应的张量。
bottleneck_tensor, jpeg_data_tensor = tf.import_graph_def(
graph_def, return_elements=[BOTTLENECK_TENSOR_NAME, JPEG_DATA_TENSOR_NAME])
# 定义新的社宁网络输入，这个输入就是新的图片经过Inception-v3模型前向传播到达
# 瓶颈层时的取值。可以将整个过程类似的理解为一种特征提取。
bottleneck_input = tf.placeholder(tf.float32, [None, BOTTLENECK_TENSOR_SIZE],
name='BottleneckInputPlaceholder')
# 定义新的标准答案输入。
ground_truth_input = tf.placeholder(tf.float32, [None, n_classes],
name='GroundTruthInput')
# 定义一层全连接层来解决新的图片分类问题。因为训练好的Inception-v3模型已经将原始的
# 图片抽象为更加容易分类的特征向量了，所以不需要再训练那么复杂的神经网络来完成这个
# 新的分类任务
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)
# 定义交叉熵损失函数。
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)
# 计算正确率。
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:
init = tf.global_variables_initializer()
sess.run(init)
# 训练过程。
for i in range(STEPS):
# 每次获取一个batch的训练数据。
train_bottlenecks, train_ground_truth = get_random_cached_bottlenecks(
sess, n_classes, image_lists, BATCH, 'training',
jpeg_data_tensor, bottleneck_tensor)
sess.run(train_step, feed_dict={bottleneck_input: train_bottlenecks,
ground_truth_input: train_ground_truth})
# 在验证数据上测试正确率。
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 example = %.lf%%' %
(i, BATCH, validation_accuracy * 100))
# 在最后的测试数据上测试正确率。
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 = %.lf%%' % (test_accuracy*100))
if __name__ == '__main__':
tf.app.run()
结果：
Step 0: Validation accuracy on random sampled 100 example = 30%
Step 100: Validation accuracy on random sampled 100 example = 77%
Step 200: Validation accuracy on random sampled 100 example = 90%
Step 300: Validation accuracy on random sampled 100 example = 89%
Step 400: Validation accuracy on random sampled 100 example = 92%
Step 500: Validation accuracy on random sampled 100 example = 94%
Step 600: Validation accuracy on random sampled 100 example = 88%
Step 700: Validation accuracy on random sampled 100 example = 93%
Step 800: Validation accuracy on random sampled 100 example = 92%
Step 900: Validation accuracy on random sampled 100 example = 92%
Step 1000: Validation accuracy on random sampled 100 example = 93%
Step 1100: Validation accuracy on random sampled 100 example = 88%
Step 1200: Validation accuracy on random sampled 100 example = 89%
Step 1300: Validation accuracy on random sampled 100 example = 88%
Step 1400: Validation accuracy on random sampled 100 example = 90%
Step 1500: Validation accuracy on random sampled 100 example = 94%
Step 1600: Validation accuracy on random sampled 100 example = 93%
Step 1700: Validation accuracy on random sampled 100 example = 94%
Step 1800: Validation accuracy on random sampled 100 example = 91%
Step 1900: Validation accuracy on random sampled 100 example = 93%
Step 2000: Validation accuracy on random sampled 100 example = 98%
Step 2100: Validation accuracy on random sampled 100 example = 94%
Step 2200: Validation accuracy on random sampled 100 example = 94%
Step 2300: Validation accuracy on random sampled 100 example = 94%
Step 2400: Validation accuracy on random sampled 100 example = 91%
Step 2500: Validation accuracy on random sampled 100 example = 92%
Step 2600: Validation accuracy on random sampled 100 example = 90%
Step 2700: Validation accuracy on random sampled 100 example = 94%
Step 2800: Validation accuracy on random sampled 100 example = 95%
Step 2900: Validation accuracy on random sampled 100 example = 95%
Step 3000: Validation accuracy on random sampled 100 example = 95%
Step 3100: Validation accuracy on random sampled 100 example = 94%
Step 3200: Validation accuracy on random sampled 100 example = 97%
Step 3300: Validation accuracy on random sampled 100 example = 94%
Step 3400: Validation accuracy on random sampled 100 example = 86%
Step 3500: Validation accuracy on random sampled 100 example = 94%
Step 3600: Validation accuracy on random sampled 100 example = 93%
Step 3700: Validation accuracy on random sampled 100 example = 91%
Step 3800: Validation accuracy on random sampled 100 example = 92%
Step 3900: Validation accuracy on random sampled 100 example = 95%
Step 3999: Validation accuracy on random sampled 100 example = 92%
Final test accuracy = 94%