快捷導(dǎo)航

詳解tensorflow實(shí)現(xiàn)遷移學(xué)習(xí)實(shí)例

更新時間：2018年02月10日 16:15:23 作者：瘋女孩愛飛

本篇文章主要介紹了詳解tensorflow實(shí)現(xiàn)遷移學(xué)習(xí)實(shí)例，小編覺得挺不錯的，現(xiàn)在分享給大家，也給大家做個參考。一起跟隨小編過來看看吧

本文主要是總結(jié)利用tensorflow實(shí)現(xiàn)遷移學(xué)習(xí)的基本步驟。

所謂遷移學(xué)習(xí)，就是將上一個問題上訓(xùn)練好的模型通過簡單的調(diào)整使其適用于一個新的問題。比如說，我們可以保留訓(xùn)練好的Inception-v3模型中所有的參數(shù)，只替換最后一層全連接層。在最后一層全連接層之前的網(wǎng)絡(luò)稱之為瓶頸層（bottleneck）。

持久化

首先需要簡單介紹下tensorflow中的持久化：在tensorflow中提供了一個非常簡單的API來保存和還原一個神經(jīng)網(wǎng)絡(luò)模型，這個API就是tf.train.Saver類。當(dāng)采用該方法保存時會生成三個文件，一個文件是model.ckpt.meta，它保存了Tensorflow計(jì)算圖的結(jié)構(gòu)；第二個文件是model.ckpt，它保存了程序中每一個變量的取值；最后一個文件是checkpoint文件，這個文件中保存了一個目錄下所有模型文件列表。

保存圖

init_op = tf.initialize_all_variables()
with tf.Session() as sess:
  sess.run(init_op)
  saver.save(sess, "model.ckpt")

加載圖

saver = tf.train.import_meta_graph("model.ckpt.meta")
with tf.Session() as sess:
  saver.restore(sess, "model.ckpt")

遷移學(xué)習(xí)

第一步：讀取加載已經(jīng)訓(xùn)練好的模型

在inception-v3模型代表瓶頸層結(jié)果的張量名稱是'pool3/_reshape:0'，圖像輸入張量對應(yīng)的名稱'DecodeJpeg/contents:0'

BOTTLENECK_TENSOR_NAME = 'pool_3/_reshape:0'
JPEG_DATA_TENSOR_NAME = 'DecodeJpeg/contents:0'
#讀取已經(jīng)訓(xùn)練好的模型
  with gfile.FastGFile(os.path.join(MODEL_DIR, MODEL_FILE), 'rb') as f:
    graph_def = tf.GraphDef()
    graph_def.ParseFromString(f.read())
  bottleneck_tensor, jpeg_data_tensor = tf.import_graph_def(graph_def, return_elements=[BOTTLENECK_TENSOR_NAME, JPEG_DATA_TENSOR_NAME])

第二步：利用讀取的模型，定義新的神經(jīng)網(wǎng)絡(luò)輸入，這個輸入就是新的圖片經(jīng)過Inception-v3模型前向傳播到達(dá)瓶頸層的取值，是一種特征提取過程。

def run_bottlenect_on_images(sess, image_data, image_data_tensor, bottlenect_tensor):
  bottlenect_values = sess.run(bottlenect_tensor, {image_data_tensor: image_data})

  # 經(jīng)過卷積網(wǎng)絡(luò)處理后的是一個思維數(shù)組，壓縮成一個特征，一維向量輸出
  bottlenect_values = np.squeeze(bottlenect_values)
  return bottlenect_values

該過程實(shí)際上利用獲取的tensor計(jì)算圖片的特征向量，完成特征提取的過程。

第三步：利用獲取的圖像的特征向量完成接下來的任務(wù)（比如分類）

以上是僅關(guān)鍵代碼。希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

您可能感興趣的文章: