利用TF重训练Google Inception模型(转)

原文地址：http://hp.stuhome.net/index.php/2017/02/16/retrain-google-inception-model/

本篇文章中软件的下载需要科学上网支持。
主要参考资料为这篇文章，主要步骤相同，对参数，细节做了说明。
一般来讲，深度学习的模型训练需要消耗大量的计算资源，例如Google的Inception模型，使用了8张K40显卡训练了两周，普通开发者一般没有这样强大的计算资源支撑。但是迁移学习提供了捷径，通过重训练已训练模型的最后几层，就可以将模型用于自定义图像的分类。TF提供了用于重训练的工具集。
因此，在尝试自己搭建模型并训练模型之前，应首先尝试使用重训练模型方法，这样的好处是可以先快速评估至少可以达到的准确率，对以后的模型建立，优化提供基线（baseline）。
并且，重训练生成的权重值文件可以用于TF移动端app，移动端app直接加载训练好的权重值，通过摄像头实时识别，这将在下篇博客中讲解。
这次项目中使用的是基金会提供的视网膜病变图像，数据集比较小，只有不到400张，依然达到了不错的准确率（测试集80%左右），本教程中，以开源数据集为例做示范。
开源数据集下载地址：
http://download.tensorflow.org/example_images/flower_photos.tgz
首先，下载数据集

$ curl -O http://download.tensorflow.org/example_images/flower_photos.tgz

解压到某一目录下，比如～/Downloads/flower，可以看到，flower_photos文件夹中有5个分类，在重训练过程中，TF提供的工具集会将这五个分类文件夹的名称作为类别标签，因此，若需要修改分类标签，应在这里修改文件夹的名称。
上篇博客讲解了如何从源码安装TF（是本篇博客的基础）。
首先，浏览至源码目录顶层，例如：

$ cd ～/tensorflow

然后执行重训练Python程序（这里的参数仅仅是示例，可直接打开源码文件，底部有所有参数以及参数说明，可用于进一步调参使用），注意路径替换为自己的路径：

python3 tensorflow/examples/image_retraining/retrain.py \
--bottleneck_dir=/home/hp/Downloads/flower/bottlenecks \
--model_dir=/home/hp/Downloads/flower/inception \
--output_graph=/home/hp/Downloads/flower/retrained_graph.pb \
--output_labels=/home/hp/Downloads/flower/retrained_labels.txt \
--image_dir /home/hp/Downloads/flower/flower_photos

参数解析：
bottleneck_dir：生成bottleneck文件，加快训练过程，详细解释参见这里。
model_dir：下载的Inception存放目录。
output_graph：重训练生成的权重值的存放目录。
output_labels：重训练生成的标签的存放目录。
image_dir：数据集目录。
执行Python程序后，会自动下载Inception模型，随后会生成bottleneck文件并开始重训练，此过程需要些时间。
或者：
TF提供了二进制重训练工具，执行以下命令编译：

bazel build --config opt tensorflow/examples/image_retraining:retrain

其中–config opt参数利用了configure步骤设置的指令集，可以最大化性能。
参数与上面的Python程序类似，可以-h查看参数列表与用法：

bazel-bin/tensorflow/examples/image_retraining/retrain -h

训练完成在output_graph文件夹将会得到重训练好的权重值文件，接下来，编译分类器，让此分类器利用训练好的权重值执行分类任务：

$ bazel build tensorflow/examples/label_image:label_image

执行分类测试：

$ bazel-bin/tensorflow/examples/label_image/label_image \
--graph=/home/hp/Downloads/flower/retrained_graph.pb \
--labels=/home/hp/Downloads/flower/retrained_labels.txt \
--output_layer=final_result \
--image=/home/hp/Downloads/flower/flower_photos/8181477_8cb77d2e0f_n.jpg #测试训练集中的图片

程序所用参数应该很容易理解。
这种方法可以用来测试，如果批量对图片分类的话会很慢，因为每次执行命令都会重新加载整个权重值文件，因此，批量分类应使用另写Python程序利用TF加载重训练的权重值建立图，然后批量分类。具体实现过程我放到了github上，必要的注释在源文件中。