使用自己的数据集训练GoogLenet InceptionNet V1 V2 V3模型（TensorFlow）

Bertha 。 2022-05-17 10:48 245阅读 0赞

# 使用自己的数据集训练GoogLenet InceptionNet V1 V2 V3模型（TensorFlow） #

【[尊重原创，转载请注明出处][Link 1]】[https://blog.csdn.net/guyuealian/article/details/81560537][Link 1]

新增博客《[使用自己的数据集训练MobileNet、ResNet图像识别（TensorFlow）][MobileNet_ResNet_TensorFlow]》[https://panjinquan.blog.csdn.net/article/details/88252699][MobileNet_ResNet_TensorFlow]

--------------------

## 一、前言 ##

> 1、网上已有对GoogLenet模型原理详尽分析了，因此本博客并不打算详细分析GoogLenet，而主要谈及GoogLenet代码实现方面。诚然，网上已经有很多使用TensorFlow实现GoogLenet模型*，但很尴尬的是，代码基本上都是你抄我，我复制你。原型代码貌似都是来自黄文坚著作《TensorFlow实战》-第六章的《6.3TensorFlow 实现 GooglelnceptionNet》*。要想改动为实际可用的、可训练、可测试的图像分类模型，还是要花很大的力气的。
> 
> 2、本博客，将使用TensorFlow实现GoogLenet V1和GoogLenet V3的图像分类，其中GoogLenet V3的源码也是参考*黄文坚著作《TensorFlow实战》*，注意该文的源码仅仅是对Inception V3进行运算性能的测试，并未做图像分类的测试。实质上，官网TensorFlow已经使用TF-slim实现了[InceptionNet][] V1,V2,V3,V4等模型，为什么不用呢？因此鄙人在此基础上，完成训练和测试的封装。
> 
> 3、为了方便大家，这里会提供
> 
>  *  （1）训练和测试的图片数据集
>  *  （2）提供制作tfrecords数据格式的Python文件
>  *  （3）GoogLenet训练和测试的完整代码，包含inception v1 v2 v3的训练方法
>  *  （4）干脆整个工程的项目都放在Github，老铁要是觉得不错，记得给个“**star**”哈
>  *  （5）新增《[使用自己的数据集训练MobileNet、ResNet图像识别（TensorFlow）][MobileNet_ResNet_TensorFlow]》[https://panjinquan.blog.csdn.net/article/details/88252699][MobileNet_ResNet_TensorFlow]

>  *  Github源码：[https://github.com/PanJinquan/tensorflow\_models\_learning][https_github.com_PanJinquan_tensorflow_models_learning]
>  *  预训练模型下载地址：[https://download.csdn.net/download/guyuealian/10610847][https_download.csdn.net_download_guyuealian_10610847]
>  *  关于其他模型MobileNet和ResNet模型训练方法，请参考另一篇博客：《[使用自己的数据集训练MobileNet、ResNet图像识别（TensorFlow）][MobileNet_ResNet_TensorFlow]》[https://panjinquan.blog.csdn.net/article/details/88252699][MobileNet_ResNet_TensorFlow]

--------------------

**目录**

使用自己的数据集训练GoogLenet InceptionNet V1 V2 V3模型（TensorFlow）

一、前言

1、googlenet 的网络示意图：

2、Inception 模块

二、项目文件结构说明

三、训练模型过程

1、训练和测试的图片数据集

2、制作tfrecords数据格式

3、GoogLenet网络结构

4、训练方法实现过程

5、模型预测

四、其他模型训练方法

五、将ckpt转pb文件

--------------------

InceptionNet，是 Google 的研究人员提出的网络结构(所以也叫做\`GoogLeNet\`)，在当时取得了非常大的影响，因为网络的结构变得前所未有，它颠覆了大家对卷积网络的串联的印象和固定做法，采用了一种非常有效的 inception 模块，得到了比 VGG 更深的网络结构，但是却比 VGG 的参数更少，因为其去掉了后面的全连接层，所以参数大大减少，同时有了很高的计算效率。

--------------------

### **1、googlenet 的网络示意图：** ###

![006tNc79ly1fmprhdocouj30qb08vac3.jpg][]

--------------------

### **2、Inception 模块** ###

在上面的网络中，我们看到了多个四个并行卷积的层，这些四个卷积并行的层就是 inception 模块，可视化如下

![70][]

一个 inception 模块的四个并行线路如下：

> 1.一个 1 x 1 的卷积，一个小的感受野进行卷积提取特征  
> 2.一个 1 x 1 的卷积加上一个 3 x 3 的卷积，1 x 1 的卷积降低输入的特征通道，减少参数计算量，然后接一个 3 x 3 的卷积做一个较大感受野的卷积  
> 3.一个 1 x 1 的卷积加上一个 5 x 5 的卷积，作用和第二个一样  
> 4.一个 3 x 3 的最大池化加上 1 x 1 的卷积，最大池化改变输入的特征排列，1 x 1 的卷积进行特征提取
> 
> 最后将四个并行线路得到的特征在通道这个维度上拼接在一起

--------------------

## 二、项目文件结构说明 ##

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9wYW5qaW5xdWFuLmJsb2cuY3Nkbi5uZXQ_size_16_color_FFFFFF_t_70][]

> tensorflow\_models\_nets：
> 
> |\_\_dataset   \#数据文件
> 
>     |\_\_record \#里面存放record文件
> 
>     |\_\_train    \#train原始图片
> 
>     |\_\_val      \#val原始图片
> 
> |\_\_models  \#保存训练的模型
> 
> |\_\_slim        \#这个是拷贝自slim模块：https://github.com/tensorflow/models/tree/master/research/slim
> 
> |\_\_test\_image \#存放测试的图片
> 
> |\_\_create\_labels\_files.py \#制作trian和val TXT的文件
> 
> |\_\_create\_tf\_record.py \#制作tfrecord文件
> 
> |\_\_inception\_v1\_train\_val.py \#inception V1的训练文件
> 
> |\_\_inception\_v3\_train\_val.py \# inception V3训练文件
> 
> |\_\_mobilenet\_train\_val.py\#mobilenet训练文件
> 
> |\_\_resnet\_v1\_train\_val.py\#resnet训练文件
> 
> |\_\_predict.py \# 模型预测文件

--------------------

## 三、训练模型过程 ##

### 1、训练和测试的图片数据集 ###

下面是我下载的数据集，共有五类图片，分别是：flower、guitar、animal、houses和plane，每组数据集大概有800张左右。为了照顾网友，下面的数据集，都已经放在Github项目的文件夹dataset上了，记得给个“star”哈

> animal：http://www.robots.ox.ac.uk/~vgg/data/pets/  
> flower：http://www.robots.ox.ac.uk/~vgg/data/flowers/  
> plane：http://www.robots.ox.ac.uk/~vgg/data/airplanes\_side/airplanes\_side.tar  
> house：http://www.robots.ox.ac.uk/~vgg/data/houses/houses.tar  
> guitar：http://www.robots.ox.ac.uk/~vgg/data/guitars/guitars.tar

下载图片数据集后，需要划分为train和val数据集，前者用于训练模型的数据，后者主要用于验证模型。这里提供一个create\_labels\_files.py脚本，可以直接生成训练train和验证val的数据集txt文件。

#-*-coding:utf-8-*-
    """
        @Project: googlenet_classification
        @File   : create_labels_files.py
        @Author : panjq
        @E-mail : pan_jinquan@163.com
        @Date   : 2018-08-11 10:15:28
    """
    
    import os
    import os.path
    
    
    def write_txt(content, filename, mode='w'):
        """保存txt数据
        :param content:需要保存的数据,type->list
        :param filename:文件名
        :param mode:读写模式:'w' or 'a'
        :return: void
        """
        with open(filename, mode) as f:
            for line in content:
                str_line = ""
                for col, data in enumerate(line):
                    if not col == len(line) - 1:
                        # 以空格作为分隔符
                        str_line = str_line + str(data) + " "
                    else:
                        # 每行最后一个数据用换行符“\n”
                        str_line = str_line + str(data) + "\n"
                f.write(str_line)
    def get_files_list(dir):
        '''
        实现遍历dir目录下,所有文件(包含子文件夹的文件)
        :param dir:指定文件夹目录
        :return:包含所有文件的列表->list
        '''
        # parent:父目录, filenames:该目录下所有文件夹,filenames:该目录下的文件名
        files_list = []
        for parent, dirnames, filenames in os.walk(dir):
            for filename in filenames:
                # print("parent is: " + parent)
                # print("filename is: " + filename)
                # print(os.path.join(parent, filename))  # 输出rootdir路径下所有文件（包含子文件）信息
                curr_file=parent.split(os.sep)[-1]
                if curr_file=='flower':
                    labels=0
                elif curr_file=='guitar':
                    labels=1
                elif curr_file=='animal':
                    labels=2
                elif curr_file=='houses':
                    labels=3
                elif curr_file=='plane':
                    labels=4
                files_list.append([os.path.join(curr_file, filename),labels])
        return files_list
    
    
    if __name__ == '__main__':
        train_dir = 'dataset/train'
        train_txt='dataset/train.txt'
        train_data = get_files_list(train_dir)
        write_txt(train_data,train_txt,mode='w')
    
        val_dir = 'dataset/val'
        val_txt='dataset/val.txt'
        val_data = get_files_list(val_dir)
        write_txt(val_data,val_txt,mode='w')

注意，上面Python代码，已经定义每组图片对应的标签labels：

> flower   ->labels=0  
> guitar   ->labels=1  
> animal  ->labels=2  
> houses ->labels=3  
> plane    ->labels=4

### 2、制作tfrecords数据格式 ###

有了 train.txt和val.txt数据集，我们就可以制作train.tfrecords和val.tfrecords文件了，项目提供一个用于制作tfrecords数据格式的Python文件：create\_tf\_record.py，鄙人已经把代码放在另一篇博客：**《[Tensorflow生成自己的图片数据集TFrecords][Tensorflow_TFrecords]》**[https://blog.csdn.net/guyuealian/article/details/80857228][Tensorflow_TFrecords] ，代码有详细注释了，所以这里不贴出来了.

> 注意：
> 
> （1）create\_tf\_record.py将train和val数据分别保存为单个record文件，当图片数据很多时候，会导致单个record文件超级巨大的情况，解决方法就是，将数据分成多个record文件保存，读取时，只需要将多个record文件的路径列表交给“tf.train.string\_input\_producer”即可。
> 
> （2）如何将数据保存为多个record文件呢？请参考鄙人的博客：《Tensorflow生成自己的图片数据集TFrecords》[https://blog.csdn.net/guyuealian/article/details/80857228][Tensorflow_TFrecords]

create\_tf\_record.py提供几个重要的函数：

> 1.  create\_records()：用于制作records数据的函数，
> 2.  read\_records()：用于读取records数据的函数,
> 3.  get\_batch\_images():用于生成批训练数据的函数
> 4.  get\_example\_nums：统计tf\_records图像的个数(example个数)
> 5.  disp\_records(): 解析record文件，并显示图片，主要用于验证生成record文件是否成功

### 3、GoogLenet网络结构 ###

GoogLenet InceptionNet有很多的变体, 比如\`InceptionV1\`,\`V2\`, \`V3\`, \`V4\`版本，网上已经有很多使用TensorFlow实现的，*但很尴尬的是，代码基本上都是你抄我，我复制你。原型代码貌似都是来自黄文坚著作《TensorFlow实战》-第六章的《6.3TensorFlow 实现 GooglelnceptionNet》*。要想改动为实际可用的、可训练、可测试的图像分类模型，还是要花很大的力气的。

本人一开始就想把*黄文坚第六章的《6.3TensorFlow 实现 GooglelnceptionNet》的源码封*装成可训练的过程，但训练过程发现模型一直不收敛，识别率一直在0.2-0.3%浮动，不知道是我参数设置问题，还是我训练代码出错了，反正就是不行！！！

官网TensorFlow已经提供了使用TF-slim实现的[InceptionNet][] V1,V2,V3,V4模型。**TF-Slim是tensorflow中定义、训练和评估复杂模型的轻量级库。tf-slim中的组件可以轻易地和原生tensorflow框架以及例如tf.contrib.learn这样的框架进行整合。**

> 1、官网模型地址：[https://github.com/tensorflow/models/tree/master/research/slim/nets][https_github.com_tensorflow_models_tree_master_research_slim_nets]
> 
> 2、[slim/nets][https_github.com_tensorflow_models_tree_master_research_slim_nets]下的模型都是用TF-slim实现的网络结构，关系TF-slim的用法，可参考：
> 
> 《[tensorflow中slim模块api介绍][tensorflow_slim_api]》：[https://blog.csdn.net/guvcolie/article/details/77686555][tensorflow_slim_api]

![70 1][]

### 4、训练方法实现过程 ###

inception\_v3要求训练数据height, width = 299, 299（亲测用224也是可以的），项目使用create\_tf\_record.py制作了训练train299.tfrecords和验证val299.tfrecords数据，下面是inception\_v3\_train\_val.py文件代码说明：

from datetime import datetime
    import slim.nets.inception_v3 as inception_v3
    from create_tf_record import *
    import tensorflow.contrib.slim as slim
    
    
    labels_nums = 5  # 类别个数
    batch_size = 16  #
    resize_height = 299  # 指定存储图片高度
    resize_width = 299  # 指定存储图片宽度
    depths = 3
    data_shape = [batch_size, resize_height, resize_width, depths]

下面就一步一步实现训练过程：

**（1）先占几个坑用来填数据：**

tf.placeholder()是TensorFlow的占位符节点，由placeholder方法创建，其也是一种常量，但是由用户在调用run方法时传递的，可以简单理解为形参，用于定义过程，在执行的时候再赋具体的值。利用tf.placeholder()，代码就可以很方便的实现：is\_training=True时，填充train数据进行训练过程，is\_training=False时，填充val数据进行验证过程

# 定义input_images为图片数据
    input_images = tf.placeholder(dtype=tf.float32, shape=[None, resize_height, resize_width, depths], name='input')
    # 定义input_labels为labels数据
    # input_labels = tf.placeholder(dtype=tf.int32, shape=[None], name='label')
    input_labels = tf.placeholder(dtype=tf.int32, shape=[None, labels_nums], name='label')
    
    # 定义dropout的概率
    keep_prob = tf.placeholder(tf.float32,name='keep_prob')
    is_training = tf.placeholder(tf.bool, name='is_training')

**（2）定义一个训练函数train():**

def train(train_record_file,
              train_log_step,
              train_param,
              val_record_file,
              val_log_step,
              labels_nums,
              data_shape,
              snapshot,
              snapshot_prefix):
        '''
        :param train_record_file: 训练的tfrecord文件
        :param train_log_step: 显示训练过程log信息间隔
        :param train_param: train参数
        :param val_record_file: 验证的tfrecord文件
        :param val_log_step: 显示验证过程log信息间隔
        :param val_param: val参数
        :param labels_nums: labels数
        :param data_shape: 输入数据shape
        :param snapshot: 保存模型间隔
        :param snapshot_prefix: 保存模型文件的前缀名
        :return:
        '''

**（3）读取训练和验证数据**

create\_tf\_record.py文件提供了读取records数据的函数read\_records()，以及获得批训练的数据get\_batch\_images()。一般而言，训练时需要打乱输入数据，因此函数get\_batch\_images()提供了shuffle=True参数可以打乱输入数据，但该函数仅仅对一个批次的数据进行打乱的，并未达到随机打乱所有训练数据的要求，鄙人建议是：在制作records数据时就打乱训练数据，即设置create\_records()函数的参数shuffle=True，而对val数据，不要求打乱数据。

[base_lr,max_steps]=train_param
        [batch_size,resize_height,resize_width,depths]=data_shape
        # 获得训练和测试的样本数
        train_nums=get_example_nums(train_record_file)
        val_nums=get_example_nums(val_record_file)
        print('train nums:%d,val nums:%d'%(train_nums,val_nums))
    
        # 从record中读取图片和labels数据
        # train数据,训练数据一般要求打乱顺序shuffle=True
        train_images, train_labels = read_records(train_record_file, resize_height, resize_width, type='normalization')
        train_images_batch, train_labels_batch = get_batch_images(train_images, train_labels,
                                                                  batch_size=batch_size, labels_nums=labels_nums,
                                                                  one_hot=True, shuffle=True)
        # val数据,验证数据可以不需要打乱数据
        val_images, val_labels = read_records(val_record_file, resize_height, resize_width, type='normalization')
        val_images_batch, val_labels_batch = get_batch_images(val_images, val_labels,
                                                              batch_size=batch_size, labels_nums=labels_nums,
                                                              one_hot=True, shuffle=False)

**（4）定义inception\_v3网络模型**

** **   TensorFlow的inception\_v3是用tf.contrib.slim写的。`slim.arg_scope`用于为tensorflow里的layer函数提供默认参数值，以使构建模型的代码更加紧凑苗条(slim)。inception\_v3已经定义好了默认的参数值：inception\_v3\_arg\_scope()，因此，需要在定义inception\_v3模型之前，设置默认参数。

# Define the model:
        with slim.arg_scope(inception_v3.inception_v3_arg_scope()):
            out, end_points = inception_v3.inception_v3(inputs=input_images, num_classes=labels_nums, dropout_keep_prob=keep_prob, is_training=is_training)

**（5）指定损失函数和准确率（重点）**

inception\_v3模型的默认参数inception\_v3.inception\_v3\_arg\_scope()已经定义了L2正则化项（你可以看一下源码：weights\_regularizer=slim.l2\_regularizer(weight\_decay)），因此定义损失函数时，需要把L2正则化项的损失也加进来优化。这里就需要特别特别……说明一下：

>  *  若使用 tf.losses自带的loss函数，则都会自动添加到loss集合中，不需要add\_loss()了：如：tf.losses.softmax\_cross\_entropy()
>  *  如使用tf.nn的自带的损失函数，则必须手动添加，如：    tf.nn.sparse\_softmax\_cross\_entropy\_with\_logits()和 tf.nn.softmax\_cross\_entropy\_with\_logits()
>  *  特别的，若自定义myloss损失函数，若myloss损失函数中使用了tf.losses中的loss函数,并将该loss添加到slim.losses.add\_loss()中, 这时使用tf.losses.get\_total\_loss()函数时相当于累加两次myloss，因为tf.losses中的loss值都会自动添加到slim.losses接合中**。因此若使用tf.losses中自带的loss函数,则不需要add\_loss()了,否则相当于重复添加了**

本项目源码使用交叉熵损失函数tf.losses.softmax\_cross\_entropy()和L2正则项add\_regularization\_losses=True!仅仅两条语句就Ok了，简单了吧，不得不惊叹tf.contrib.slim库的强大，大大简化网络代码的定义。若你使用原生的tf定义损失函数，你会发现计算L2正则项的损失，特别麻烦。

# Specify the loss function: tf.losses定义的loss函数都会自动添加到loss函数,不需要add_loss()了
        tf.losses.softmax_cross_entropy(onehot_labels=input_labels, logits=out)#添加交叉熵损失loss=1.6
        # slim.losses.add_loss(my_loss)
        loss = tf.losses.get_total_loss(add_regularization_losses=True)#添加正则化损失loss=2.2
        accuracy = tf.reduce_mean(tf.cast(tf.equal(tf.argmax(out, 1), tf.argmax(input_labels, 1)), tf.float32))

**（6）定义优化方案**

这里使用GradientDescentOptimizer梯度下降法，当然也可以选择MomentumOptimizer或者AdadeltaOptimizer其他优化方法。由于inception\_v3使用了batch\_norm层，需要更新每一层的\`average\`和\`variance\`参数, 更新的过程不包含在正常的训练过程中, 需要我们去手动更新，并通过\`tf.get\_collection\`获得所有需要更新的\`op\`。

slim.batch\_norm里有moving\_mean和moving\_variance两个量，分别表示每个批次的均值和方差。当training时候，参数moving\_mean和moving\_variance的都需要update。看官网教程的解释和[用法][Link 2]：

>   Note: when training, the moving\_mean and moving\_variance need to be updated.  
>   By default the update ops are placed in \`tf.GraphKeys.UPDATE\_OPS\`, so they  
>   need to be added as a dependency to the \`train\_op\`. For example:  
>   \`\`\`***python***  
>     update\_ops = tf.get\_collection(tf.GraphKeys.UPDATE\_OPS)  
>     with tf.control\_dependencies(update\_ops):  
>         train\_op = optimizer.minimize(loss)  
>   \`\`\`

> **一个不确定的说明：**
> 
> （1）若使用train\_op = optimizer.minimize(loss)函数时，则需要手动更新每一层的\`average\`和\`variance\`参数，并通过\`tf.get\_collection\`获得所有需要更新的\`op\`
> 
> （2）若使用slim.learning.create\_train\_op()产生训练的op，**貌似**会自动更新每一层的参数，这个不确定！主要是我发现即使没有tf.get\_collection，使用slim.learning.create\_train\_op()时，训练也是收敛的。

# Specify the optimization scheme:
        optimizer = tf.train.GradientDescentOptimizer(learning_rate=base_lr)
    
        # 在定义训练的时候, 注意到我们使用了`batch_norm`层时,需要更新每一层的`average`和`variance`参数,
        # 更新的过程不包含在正常的训练过程中, 需要我们去手动像下面这样更新
        # 通过`tf.get_collection`获得所有需要更新的`op`
        update_ops = tf.get_collection(tf.GraphKeys.UPDATE_OPS)
        # 使用`tensorflow`的控制流, 先执行更新算子, 再执行训练
        with tf.control_dependencies(update_ops):
        # create_train_op that ensures that when we evaluate it to get the loss,
        # the update_ops are done and the gradient updates are computed.
        # train_op = slim.learning.create_train_op(total_loss=loss,optimizer=optimizer)
            train_op = slim.learning.create_train_op(total_loss=loss, optimizer=optimizer)

**（7）训练迭代训练**

TF-Slim自带了非常强大的训练工具 slim.learning.train()函数，下面是该函数的简单用法

g = tf.Graph()
     
    # Create the model and specify the losses...
    ...
     
    total_loss = slim.losses.get_total_loss()
    optimizer = tf.train.GradientDescentOptimizer(learning_rate)
     
    # create_train_op ensures that each time we ask for the loss, the update_ops
    # are run and the gradients being computed are applied too.
    train_op = slim.learning.create_train_op(total_loss, optimizer)
    logdir = ... # Where checkpoints are stored.
     
    slim.learning.train(
        train_op,
        logdir,
        number_of_steps=1000,
        save_summaries_secs=300,
        save_interval_secs=600):

不过啦~本人在循环迭代过程并未使用 slim.learning.train()函数，而是使用原生普通的tensorflow代码。主要是因为我想根据自己的需要控制迭代过程，显示log信息和保存模型：

> 说明：
> 
> 1、step\_train()函数可以实现测试trian的准确率(这里仅测试训练集的一个batch)，而val的数据数据是全部都需要测试的
> 
> 2、可以设置模型保存间隔，源码还实现保存val准确率最高的模型

def step_train(train_op,loss,accuracy,
                   train_images_batch,train_labels_batch,train_nums,train_log_step,
                   val_images_batch,val_labels_batch,val_nums,val_log_step,
                   snapshot_prefix,snapshot):
        '''
        循环迭代训练过程
        :param train_op: 训练op
        :param loss:     loss函数
        :param accuracy: 准确率函数
        :param train_images_batch: 训练images数据
        :param train_labels_batch: 训练labels数据
        :param train_nums:         总训练数据
        :param train_log_step:   训练log显示间隔
        :param val_images_batch: 验证images数据
        :param val_labels_batch: 验证labels数据
        :param val_nums:         总验证数据
        :param val_log_step:     验证log显示间隔
        :param snapshot_prefix: 模型保存的路径
        :param snapshot:        模型保存间隔
        :return: None
        '''
        saver = tf.train.Saver()
        max_acc = 0.0
        with tf.Session() as sess:
            sess.run(tf.global_variables_initializer())
            sess.run(tf.local_variables_initializer())
            coord = tf.train.Coordinator()
            threads = tf.train.start_queue_runners(sess=sess, coord=coord)
            for i in range(max_steps + 1):
                batch_input_images, batch_input_labels = sess.run([train_images_batch, train_labels_batch])
                _, train_loss = sess.run([train_op, loss], feed_dict={input_images: batch_input_images,
                                                                      input_labels: batch_input_labels,
                                                                      keep_prob: 0.5, is_training: True})
                # train测试(这里仅测试训练集的一个batch)
                if i % train_log_step == 0:
                    train_acc = sess.run(accuracy, feed_dict={input_images: batch_input_images,
                                                              input_labels: batch_input_labels,
                                                              keep_prob: 1.0, is_training: False})
                    print "%s: Step [%d]  train Loss : %f, training accuracy :  %g" % (
                    datetime.now(), i, train_loss, train_acc)
    
                # val测试(测试全部val数据)
                if i % val_log_step == 0:
                    mean_loss, mean_acc = net_evaluation(sess, loss, accuracy, val_images_batch, val_labels_batch, val_nums)
                    print "%s: Step [%d]  val Loss : %f, val accuracy :  %g" % (datetime.now(), i, mean_loss, mean_acc)
    
                # 模型保存:每迭代snapshot次或者最后一次保存模型
                if (i % snapshot == 0 and i > 0) or i == max_steps:
                    print('-----save:{}-{}'.format(snapshot_prefix, i))
                    saver.save(sess, snapshot_prefix, global_step=i)
                # 保存val准确率最高的模型
                if mean_acc > max_acc and mean_acc > 0.7:
                    max_acc = mean_acc
                    path = os.path.dirname(snapshot_prefix)
                    best_models = os.path.join(path, 'best_models_{}_{:.4f}.ckpt'.format(i, max_acc))
                    print('------save:{}'.format(best_models))
                    saver.save(sess, best_models)
    
            coord.request_stop()
            coord.join(threads)

>     有木有觉得step\_train(）函数，跟Caffe的solver.prototxt的参数设置很像，比如snapshot\_prefix、snapshot等参数，没错，我就是学Caffe转学TensorFlow的。因为习惯了Caffe的训练方式，所以啦，我把循环迭代改成类似于Caffe的形式，娃哈哈！

其中net\_evaluation为评价函数：

def net_evaluation(sess,loss,accuracy,val_images_batch,val_labels_batch,val_nums):
        val_max_steps = int(val_nums / batch_size)
        val_losses = []
        val_accs = []
        for _ in xrange(val_max_steps):
            val_x, val_y = sess.run([val_images_batch, val_labels_batch])
            # print('labels:',val_y)
            # val_loss = sess.run(loss, feed_dict={x: val_x, y: val_y, keep_prob: 1.0})
            # val_acc = sess.run(accuracy,feed_dict={x: val_x, y: val_y, keep_prob: 1.0})
            val_loss,val_acc = sess.run([loss,accuracy], feed_dict={input_images: val_x, input_labels: val_y, keep_prob:1.0, is_training: False})
            val_losses.append(val_loss)
            val_accs.append(val_acc)
        mean_loss = np.array(val_losses, dtype=np.float32).mean()
        mean_acc = np.array(val_accs, dtype=np.float32).mean()
        return mean_loss, mean_acc

完整的inception\_v3\_train\_val.py代码：

#coding=utf-8
    
    import tensorflow as tf 
    import numpy as np 
    import pdb
    import os
    from datetime import datetime
    import slim.nets.inception_v3 as inception_v3
    from create_tf_record import *
    import tensorflow.contrib.slim as slim
    
    
    labels_nums = 5  # 类别个数
    batch_size = 16  #
    resize_height = 299  # 指定存储图片高度
    resize_width = 299  # 指定存储图片宽度
    depths = 3
    data_shape = [batch_size, resize_height, resize_width, depths]
    
    # 定义input_images为图片数据
    input_images = tf.placeholder(dtype=tf.float32, shape=[None, resize_height, resize_width, depths], name='input')
    # 定义input_labels为labels数据
    # input_labels = tf.placeholder(dtype=tf.int32, shape=[None], name='label')
    input_labels = tf.placeholder(dtype=tf.int32, shape=[None, labels_nums], name='label')
    
    # 定义dropout的概率
    keep_prob = tf.placeholder(tf.float32,name='keep_prob')
    is_training = tf.placeholder(tf.bool, name='is_training')
    
    def net_evaluation(sess,loss,accuracy,val_images_batch,val_labels_batch,val_nums):
        val_max_steps = int(val_nums / batch_size)
        val_losses = []
        val_accs = []
        for _ in xrange(val_max_steps):
            val_x, val_y = sess.run([val_images_batch, val_labels_batch])
            # print('labels:',val_y)
            # val_loss = sess.run(loss, feed_dict={x: val_x, y: val_y, keep_prob: 1.0})
            # val_acc = sess.run(accuracy,feed_dict={x: val_x, y: val_y, keep_prob: 1.0})
            val_loss,val_acc = sess.run([loss,accuracy], feed_dict={input_images: val_x, input_labels: val_y, keep_prob:1.0, is_training: False})
            val_losses.append(val_loss)
            val_accs.append(val_acc)
        mean_loss = np.array(val_losses, dtype=np.float32).mean()
        mean_acc = np.array(val_accs, dtype=np.float32).mean()
        return mean_loss, mean_acc
    
    def step_train(train_op,loss,accuracy,
                   train_images_batch,train_labels_batch,train_nums,train_log_step,
                   val_images_batch,val_labels_batch,val_nums,val_log_step,
                   snapshot_prefix,snapshot):
        '''
        循环迭代训练过程
        :param train_op: 训练op
        :param loss:     loss函数
        :param accuracy: 准确率函数
        :param train_images_batch: 训练images数据
        :param train_labels_batch: 训练labels数据
        :param train_nums:         总训练数据
        :param train_log_step:   训练log显示间隔
        :param val_images_batch: 验证images数据
        :param val_labels_batch: 验证labels数据
        :param val_nums:         总验证数据
        :param val_log_step:     验证log显示间隔
        :param snapshot_prefix: 模型保存的路径
        :param snapshot:        模型保存间隔
        :return: None
        '''
        saver = tf.train.Saver()
        max_acc = 0.0
        with tf.Session() as sess:
            sess.run(tf.global_variables_initializer())
            sess.run(tf.local_variables_initializer())
            coord = tf.train.Coordinator()
            threads = tf.train.start_queue_runners(sess=sess, coord=coord)
            for i in range(max_steps + 1):
                batch_input_images, batch_input_labels = sess.run([train_images_batch, train_labels_batch])
                _, train_loss = sess.run([train_op, loss], feed_dict={input_images: batch_input_images,
                                                                      input_labels: batch_input_labels,
                                                                      keep_prob: 0.5, is_training: True})
                # train测试(这里仅测试训练集的一个batch)
                if i % train_log_step == 0:
                    train_acc = sess.run(accuracy, feed_dict={input_images: batch_input_images,
                                                              input_labels: batch_input_labels,
                                                              keep_prob: 1.0, is_training: False})
                    print "%s: Step [%d]  train Loss : %f, training accuracy :  %g" % (
                    datetime.now(), i, train_loss, train_acc)
    
                # val测试(测试全部val数据)
                if i % val_log_step == 0:
                    mean_loss, mean_acc = net_evaluation(sess, loss, accuracy, val_images_batch, val_labels_batch, val_nums)
                    print "%s: Step [%d]  val Loss : %f, val accuracy :  %g" % (datetime.now(), i, mean_loss, mean_acc)
    
                # 模型保存:每迭代snapshot次或者最后一次保存模型
                if (i % snapshot == 0 and i > 0) or i == max_steps:
                    print('-----save:{}-{}'.format(snapshot_prefix, i))
                    saver.save(sess, snapshot_prefix, global_step=i)
                # 保存val准确率最高的模型
                if mean_acc > max_acc and mean_acc > 0.7:
                    max_acc = mean_acc
                    path = os.path.dirname(snapshot_prefix)
                    best_models = os.path.join(path, 'best_models_{}_{:.4f}.ckpt'.format(i, max_acc))
                    print('------save:{}'.format(best_models))
                    saver.save(sess, best_models)
    
            coord.request_stop()
            coord.join(threads)
    
    def train(train_record_file,
              train_log_step,
              train_param,
              val_record_file,
              val_log_step,
              labels_nums,
              data_shape,
              snapshot,
              snapshot_prefix):
        '''
        :param train_record_file: 训练的tfrecord文件
        :param train_log_step: 显示训练过程log信息间隔
        :param train_param: train参数
        :param val_record_file: 验证的tfrecord文件
        :param val_log_step: 显示验证过程log信息间隔
        :param val_param: val参数
        :param labels_nums: labels数
        :param data_shape: 输入数据shape
        :param snapshot: 保存模型间隔
        :param snapshot_prefix: 保存模型文件的前缀名
        :return:
        '''
        [base_lr,max_steps]=train_param
        [batch_size,resize_height,resize_width,depths]=data_shape
    
        # 获得训练和测试的样本数
        train_nums=get_example_nums(train_record_file)
        val_nums=get_example_nums(val_record_file)
        print('train nums:%d,val nums:%d'%(train_nums,val_nums))
    
        # 从record中读取图片和labels数据
        # train数据,训练数据一般要求打乱顺序shuffle=True
        train_images, train_labels = read_records(train_record_file, resize_height, resize_width, type='normalization')
        train_images_batch, train_labels_batch = get_batch_images(train_images, train_labels,
                                                                  batch_size=batch_size, labels_nums=labels_nums,
                                                                  one_hot=True, shuffle=True)
        # val数据,验证数据可以不需要打乱数据
        val_images, val_labels = read_records(val_record_file, resize_height, resize_width, type='normalization')
        val_images_batch, val_labels_batch = get_batch_images(val_images, val_labels,
                                                              batch_size=batch_size, labels_nums=labels_nums,
                                                              one_hot=True, shuffle=False)
    
        # Define the model:
        with slim.arg_scope(inception_v3.inception_v3_arg_scope()):
            out, end_points = inception_v3.inception_v3(inputs=input_images, num_classes=labels_nums, dropout_keep_prob=keep_prob, is_training=is_training)
    
        # Specify the loss function: tf.losses定义的loss函数都会自动添加到loss函数,不需要add_loss()了
        tf.losses.softmax_cross_entropy(onehot_labels=input_labels, logits=out)#添加交叉熵损失loss=1.6
        # slim.losses.add_loss(my_loss)
        loss = tf.losses.get_total_loss(add_regularization_losses=True)#添加正则化损失loss=2.2
        accuracy = tf.reduce_mean(tf.cast(tf.equal(tf.argmax(out, 1), tf.argmax(input_labels, 1)), tf.float32))
    
        # Specify the optimization scheme:
        optimizer = tf.train.GradientDescentOptimizer(learning_rate=base_lr)
    
    
        # global_step = tf.Variable(0, trainable=False)
        # learning_rate = tf.train.exponential_decay(0.05, global_step, 150, 0.9)
        #
        # optimizer = tf.train.MomentumOptimizer(learning_rate, 0.9)
        # # train_tensor = optimizer.minimize(loss, global_step)
        # train_op = slim.learning.create_train_op(loss, optimizer,global_step=global_step)
    
    
        # 在定义训练的时候, 注意到我们使用了`batch_norm`层时,需要更新每一层的`average`和`variance`参数,
        # 更新的过程不包含在正常的训练过程中, 需要我们去手动像下面这样更新
        # 通过`tf.get_collection`获得所有需要更新的`op`
        update_ops = tf.get_collection(tf.GraphKeys.UPDATE_OPS)
        # 使用`tensorflow`的控制流, 先执行更新算子, 再执行训练
        with tf.control_dependencies(update_ops):
            # create_train_op that ensures that when we evaluate it to get the loss,
            # the update_ops are done and the gradient updates are computed.
            # train_op = slim.learning.create_train_op(total_loss=loss,optimizer=optimizer)
            train_op = slim.learning.create_train_op(total_loss=loss, optimizer=optimizer)
    
    
        # 循环迭代过程
        step_train(train_op, loss, accuracy,
                   train_images_batch, train_labels_batch, train_nums, train_log_step,
                   val_images_batch, val_labels_batch, val_nums, val_log_step,
                   snapshot_prefix, snapshot)
    
    
    if __name__ == '__main__':
        train_record_file='dataset/record/train299.tfrecords'
        val_record_file='dataset/record/val299.tfrecords'
    
        train_log_step=100
        base_lr = 0.01  # 学习率
        max_steps = 10000  # 迭代次数
        train_param=[base_lr,max_steps]
    
        val_log_step=200
        snapshot=2000#保存文件间隔
        snapshot_prefix='models/model.ckpt'
        train(train_record_file=train_record_file,
              train_log_step=train_log_step,
              train_param=train_param,
              val_record_file=val_record_file,
              val_log_step=val_log_step,
              labels_nums=labels_nums,
              data_shape=data_shape,
              snapshot=snapshot,
              snapshot_prefix=snapshot_prefix)

OK啦，运行启动训练看看log信息：

> 2018-08-16 10:08:57.107124: Step \[0\]  train Loss : 2.762746, training accuracy :  0.3125  
> 2018-08-16 10:09:19.281263: Step \[0\]  val Loss : 2.931877, val accuracy :  0.215726  
> 2018-08-16 10:10:33.807865: Step \[100\]  train Loss : 1.849171, training accuracy :  0.375  
> 2018-08-16 10:11:56.997064: Step \[200\]  train Loss : 2.248142, training accuracy :  0.0625  
> 2018-08-16 10:12:22.684584: Step \[200\]  val Loss : 163.246002, val accuracy :  0.200941  
> 2018-08-16 10:13:44.102429: Step \[300\]  train Loss : 1.785683, training accuracy :  0.25  
> ……
> 
> 2018-08-16 10:48:24.938470: Step \[2500\]  train Loss : 0.732916, training accuracy :  0.3125  
> 2018-08-16 10:49:45.958701: Step \[2600\]  train Loss : 0.749750, training accuracy :  0.25  
> 2018-08-16 10:50:10.845769: Step \[2600\]  val Loss : 9.741004, val accuracy :  0.387769  
> 2018-08-16 10:51:31.777861: Step \[2700\]  train Loss : 1.074746, training accuracy :  0.4375  
> 2018-08-16 10:52:52.909256: Step \[2800\]  train Loss : 0.814188, training accuracy :  0.125  
> 2018-08-16 10:53:17.725089: Step \[2800\]  val Loss : 9.216277, val accuracy :  0.368952  
> 2018-08-16 10:54:38.721697: Step \[2900\]  train Loss : 0.762590, training accuracy :  0.375  
> 2018-08-16 10:55:59.860650: Step \[3000\]  train Loss : 0.733000, training accuracy :  0.1875  
> 2018-08-16 10:56:24.746242: Step \[3000\]  val Loss : 13.225746, val accuracy :  0.237903  
> 2018-08-16 10:57:45.828758: Step \[3100\]  train Loss : 0.833523, training accuracy :  0.5625  
> 2018-08-16 10:59:06.822897: Step \[3200\]  train Loss : 0.710151, training accuracy :  0.625
> 
> ……
> 
> 2018-08-16 12:40:31.923101: Step \[9500\]  train Loss : 0.700521, training accuracy :  1  
> 2018-08-16 12:41:53.206480: Step \[9600\]  train Loss : 0.782273, training accuracy :  1  
> 2018-08-16 12:42:17.757492: Step \[9600\]  val Loss : 1.299307, val accuracy :  0.860887  
> 2018-08-16 12:43:38.987012: Step \[9700\]  train Loss : 0.700440, training accuracy :  0.9375  
> 2018-08-16 12:45:00.040759: Step \[9800\]  train Loss : 0.702021, training accuracy :  0.75  
> 2018-08-16 12:45:25.000334: Step \[9800\]  val Loss : 1.402472, val accuracy :  0.836021  
> 2018-08-16 12:46:46.077850: Step \[9900\]  train Loss : 0.701689, training accuracy :  1  
> 2018-08-16 12:48:07.302272: Step \[10000\]  train Loss : 0.703496, training accuracy :  1  
> 2018-08-16 12:48:32.193206: Step \[10000\]  val Loss : 1.131343, val accuracy :  0.889113  
> \-----save:models/model.ckpt-10000  
> \------save:models/best\_models\_10000\_0.8891.ckpt

可以看到，前2000次迭代，不管是train还是val的识别率都很低，徘徊在20%-30%，但到了2000次以上，识别率一步一步往上蹭，到10000步时，train的识别率达到100%啦，而val的识别率稳定在80%以上，对于只训练了10000次，其效果还是不错的~有需要的话，可自行训练十万次以上哈

### 5、模型预测 ###

模型预测代码，比较简单，这里直接贴出源码：

#coding=utf-8
    
    import tensorflow as tf 
    import numpy as np 
    import pdb
    import cv2
    import os
    import glob
    import slim.nets.inception_v3 as inception_v3
    
    from create_tf_record import *
    import tensorflow.contrib.slim as slim
    
    
    def  predict(models_path,image_dir,labels_filename,labels_nums, data_format):
        [batch_size, resize_height, resize_width, depths] = data_format
    
        labels = np.loadtxt(labels_filename, str, delimiter='\t')
        input_images = tf.placeholder(dtype=tf.float32, shape=[None, resize_height, resize_width, depths], name='input')
    
        with slim.arg_scope(inception_v3.inception_v3_arg_scope()):
            out, end_points = inception_v3.inception_v3(inputs=input_images, num_classes=labels_nums, dropout_keep_prob=1.0, is_training=False)
    
        # 将输出结果进行softmax分布,再求最大概率所属类别
        score = tf.nn.softmax(out)
        class_id = tf.argmax(score, 1)
    
        sess = tf.InteractiveSession()
        sess.run(tf.global_variables_initializer())
        saver = tf.train.Saver()
        saver.restore(sess, models_path)
        images_list=glob.glob(os.path.join(image_dir,'*.jpg'))
        for image_path in images_list:
            im=read_image(image_path,resize_height,resize_width,normalization=True)
            im=im[np.newaxis,:]
            #pred = sess.run(f_cls, feed_dict={x:im, keep_prob:1.0})
            pre_score,pre_label = sess.run([score,class_id], feed_dict={input_images:im})
            max_score=pre_score[0,pre_label]
            print "{} is: pre labels:{},name:{} score: {}".format(image_path,pre_label,labels[pre_label], max_score)
        sess.close()
    
    
    if __name__ == '__main__':
    
        class_nums=5
        image_dir='test_image'
        labels_filename='dataset/label.txt'
        models_path='models/model.ckpt-10000'
    
        batch_size = 1  #
        resize_height = 299  # 指定存储图片高度
        resize_width = 299  # 指定存储图片宽度
        depths=3
        data_format=[batch_size,resize_height,resize_width,depths]
        predict(models_path,image_dir, labels_filename, class_nums, data_format)

预测结果：

> test\_image/flower.jpg is: pre labels:\[0\],name:\['flower'\] score: \[ 0.99865556\]  
> test\_image/houses.jpg is: pre labels:\[3\],name:\['houses'\] score: \[ 0.99899763\]  
> test\_image/animal.jpg is: pre labels:\[2\],name:\['animal'\] score: \[ 0.96808302\]  
> test\_image/guitar.jpg is: pre labels:\[1\],name:\['guitar'\] score: \[ 0.99999511\]

--------------------

## 四、其他模型训练方法  ##

上面的程序inception\_v3\_train\_val.py是实现googLenet inception V3训练的过程，实质上，稍微改改就可以支持训练 inception V1，V2 啦，改动方法也很简单，以 inception V1为例：

**（1）import 改为：**

# 将
    import slim.nets.inception_v3 as inception_v3
    # 改为
    import slim.nets.inception_v1 as inception_v1

**（2）record数据**

inception V1要求输入的数据是224\*224，因此制作record数据时，需要设置：

> resize\_height = 224  \# 指定存储图片高度  
> resize\_width = 224  \# 指定存储图片宽度

**（3）定义模型和默认参数修改：**

# 将
        with slim.arg_scope(inception_v3.inception_v3_arg_scope()):
            out, end_points = inception_v3.inception_v3(inputs=input_images, num_classes=labels_nums, dropout_keep_prob=keep_prob, is_training=is_training)
        # 改为
        with slim.arg_scope(inception_v1.inception_v1_arg_scope()):
            out, end_points = inception_v1.inception_v1(inputs=input_images, num_classes=labels_nums, dropout_keep_prob=keep_prob, is_training=is_training)

**（4）修改优化方案**

inception V3中使用的优化方案是： optimizer = tf.train.GradientDescentOptimizer(learning\_rate=base\_lr)，但在V1中，我发现训练不收敛，后来我改为  optimizer = tf.train.MomentumOptimizer(learning\_rate=base\_lr,momentum= 0.9)，又可以正常收敛了。总之，要是发现训练不收敛，请尝试修改几个参数：

> 1、增大或减小学习率参数：base\_lr
> 
> 2、改变优化方案：如使用MomentumOptimizer或者AdadeltaOptimizer等优化方法
> 
> 3、是否有设置默认的模型参数：如slim.arg\_scope(inception\_v1.inception\_v1\_arg\_scope())
> 
> 4、计算损失时，增加或去掉正则项：tf.losses.get\_total\_loss(add\_regularization\_losses=False)

……最后，就可以Train了！是的，就是那么简单~

## 五、将ckpt转pb文件: ##

tensorflow实现将ckpt转pb文件的方法，请参考：

> [https://blog.csdn.net/guyuealian/article/details/82218092][https_blog.csdn.net_guyuealian_article_details_82218092]

--------------------

如果你觉得该帖子帮到你，还望贵人多多支持，鄙人会再接再厉，继续努力的~

![70 2][]

[Link 1]: https://blog.csdn.net/guyuealian/article/details/81560537
[MobileNet_ResNet_TensorFlow]: https://panjinquan.blog.csdn.net/article/details/88252699
[InceptionNet]: https://github.com/tensorflow/tensorflow/tree/master/tensorflow/contrib/slim/python/slim/nets
[https_github.com_PanJinquan_tensorflow_models_learning]: https://github.com/PanJinquan/tensorflow_models_learning
[https_download.csdn.net_download_guyuealian_10610847]: https://download.csdn.net/download/guyuealian/10610847
[006tNc79ly1fmprhdocouj30qb08vac3.jpg]: https://ws2.sinaimg.cn/large/006tNc79ly1fmprhdocouj30qb08vac3.jpg
[70]: /images/20220517/d6c72348e02f46f8a46dcd801210678a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9wYW5qaW5xdWFuLmJsb2cuY3Nkbi5uZXQ_size_16_color_FFFFFF_t_70]: /images/20220517/55f77e968196403ab4b272d3b41d5dbc.png
[Tensorflow_TFrecords]: https://blog.csdn.net/guyuealian/article/details/80857228
[https_github.com_tensorflow_models_tree_master_research_slim_nets]: https://github.com/tensorflow/models/tree/master/research/slim/nets
[tensorflow_slim_api]: https://blog.csdn.net/guvcolie/article/details/77686555
[70 1]: /images/20220517/40442d3f751c4bf0bba2559c5dca6b14.png
[Link 2]: https://github.com/tensorflow/tensorflow/blob/master/tensorflow/contrib/layers/python/layers/layers.py
[https_blog.csdn.net_guyuealian_article_details_82218092]: https://blog.csdn.net/guyuealian/article/details/82218092
[70 2]: /images/20220517/25faac8228c7468ead1c716e9576201a.png