使用Tensorflow hub迁移学习

使用TensorFlow Hub进行迁移学习

首先安装tensorflow hub，确保tensorflow版本1.7及以上，具体细节查看image_retrain
在tensorflow的 github中主要给出了使用已经存在的训练网络模型inceptionv3训练自己的新的分类任务。主要有一点需要重点（Bottlenecks）说明:
Bottlenecks:在tensorflow hub中主要用来生成特征向量，它通常是网络最后一层的前一层，最后一层通常用来分类，而倒数第二层用来生成网络提取的特征向量。原始的retrain代码。
处理过程如下:
1. create_model_graph函数:通过tensorflow hub创建一个图，载入Hub models，返回载入后的图和bottleneck_tensor, resized_input_tensor, wants_quantization,实质上resized_input_tensor 代表输入，bottleneck_tensor代表输出wants_quantization 用于量化可以不必理会。
2. run_bottleneck_on_image将图像数据输入给上面的图，生成bottleneck_values，实际上相当于对输入的图像提取特征。
3. get_or_create_bottleneck读取数据生成数据的特征保bottleneck data存在磁盘上。（这个文件如果不存在就自己训练后写如文件，例子使用的是inceptionV3的文件）
4. add_final_retrain_ops 添加自己的层处理自己的问题，hub载入的模型是在imagenet上分类的模型，这类模型的输出和自己的任务的输出不一定一样，这时候我们需要改进最后一层（例子中问5类）通过前面bottleneck_tensor 的输出获取最后一层输入需要的信息，比如输入tensor的形状和bachsize，定义自己的层的W 和 b 经过softmax 输出,final_tensor ，同时加入ground_truth 表示输出的label用于计算损失，代码中加入了训练或者评估flag。
5. 余下的包含一些保存权重文件，评估，输出pb文件等等。

使用hub载入模型

module_spec = hub.load_module_spec(FLAGS.tfhub_module)
graph, bottleneck_tensor, resized_image_tensor, wants_quantization = (
 create_module_graph(module_spec))

这里的tfhub_module 就是https://tfhub.dev/google/imagenet/inception_v3/feature_vector/1' 你也可以加载对应的模型放在默认的/tmp 目录下，使用hub.load_module_spec(paths)' 既可以从本地载入（/tmp/tfhub_modules），也能从网上载入(例子中从网上直接载入)。

指定模型训练

下面开始使用官方的InceptionV3训练网络识别花。
python retrain.py --image_dir=flower_photos

可以看到经过大约4000步，分类网络的精度就已经达到96%以上了。
如果你希望使用 其他的网络处理自己的分类问题，你可以在这里 下载你想使用的模型。下面我们使用Inception-ResNet V2进行训练。

只需要传入参数https://www.tensorflow.org/hub/modules/google/imagenet/inception_resnet_v2/feature_vector/1

python retrain.py --image_dir=flower_photos --tfhub_module=https://www.tensorflow.org/hub/modules/google/imagenet/inception_resnet_v2/feature_vector/1

上面的模块的地址（如果是离线的只需要指定离线目录在系统中的位置即可）可以在模块详情找到。

常用的图像签名

一些模块可能用于多个人无，因此每个模块提供发布者命名的签名用于预期的任务，为他的它的主要任务设计输出output = m(images).

图像的特征向量是一个代表原图的1-D Tensor。不想CNN中的激活层，它不提供空间分解。不想图像分类，它丢弃了分类学习到的东西。

一个特征提取其有一个默认的签名映射图像的batch到batch的特征向量。使用如下:

# 载入发布则提供的模型
 module_spec = hub.load_module_spec("path/to/module")
 height, width = hub.get_expected_image_size(module_spec)
  images = ...  # A batch of images with shape [batch_size, height, width, 3].
  module = hub.Module(module_spec)
  features = module(images)   # A batch with shape [batch_size, num_features].

指定签名

# 指定签名用于提取特征向量
  outputs = module(dict(images=images), signature="image_feature_vector",
                   as_dict=True)
  features = outputs["default"]

shush字典包含一个”default”的类型为float32,形状为[batch_size, num_features]，batch_size
和输入相同，但是不知道图的结构。num_features 已知，如果要对模型进行droupout 这个操作应该留给用户而不是自己。输出字典提供了进一步输出，例如，模块中实际的隐藏层。特们的key和是独立于模型的。推荐使用架构-dependenct结构避免搞混中间层InceptionV3/Mixed_5c 表示的是架构InceptionV3的顶层卷积层Mixed_5c。

使用总结

模块的特征提取器用于映射batch的图像到batch的logits，可以按照如下使用:

 module_spec = hub.load_module_spec("path/to/module")
  height, width = hub.get_expected_image_size(module_spec)
  images = ...  # A batch of images with shape [batch_size, height, width, 3].
  module = hub.Module(module_spec)
  logits = module(images)   # A batch with shape [batch_size, num_classes].

签名指定

命名的特征提取器签名按下面的方式使用:

  outputs = module(dict(images=images), signature="image_classification",
                   as_dict=True)
  logits = outputs["default"]

outputs["default"][i, c] 为类别中索引为c的成员i生成一个预测特分，它依赖于是否分类使用softmax打分，并和相应的函数对应。输出字典可以提供进一步的输出，例如，模块中隐藏层的激活。他们的keys和valuues是模块相关的。推荐按使用架构-dependent命名。

图像输入

一个签名接受batch的图像输入解码后的4-D float32,形状为[batch_size, height, width, 3] 的正则化到[0,1]的RGB像素图像。你可以使用tf.image.convert_image_dtype(..., tf.float32)处理[batch_size, height, width, 3] 得到。模型的用户不应该直接查看其形状，但是可以通过在模块或者模块spec调用hub.get_expected_image_size() 获取同时希望能对应的resize输入图像。，TFHUB默认的输入数据格式为[NCHW]