用tensorlayer导入Slim模型迁移学习
上一篇博客【用tensorflow迁移学习猫狗分类】笔者讲到用tensorlayer的【VGG16模型】迁移学习图像分类,那麽问题来了,tensorlayer没提供的模型怎么办呢?别担心,tensorlayer提供了tensorflow中的【slim模型】导入功能,代码例子在tutorial_inceptionV3_tfslim。
那么什么是slim?slim到底有什么用?
slim是一个使构建,训练,评估神经网络变得简单的库。它可以消除原生tensorflow里面很多重复的模板性的代码,让代码更紧凑,更具备可读性。另外slim提供了很多计算机视觉方面的著名模型(VGG, AlexNet等),我们不仅可以直接使用,甚至能以各种方式进行扩展。(笔者注:总之功能跟tensorlayer差不多嘛)更多介绍可以看这篇文章:【Tensorflow】辅助工具篇——tensorflow slim(TF-Slim)介绍】
要进行迁移学习,首先需要slim模型代码以及预训练好的权重参数,这些谷歌都有提供下载,可以看到主页下面有各个模型以及在imagenet训练集下的参数地址。
列表还列出了各个模型的top1、top5的正确率,模型很多了。
好了我们下载Inception-ResNet-v2以及inception_resnet_v2_2016_08_30.tar.gz,py文件和解压出来的.ckpt文件放到项目根目录下面。至于为什么不用tensorlayer例子提供的Inception V3?因为Inception-ResNet-v2正确率高啊。(哈哈真正原因最后来讲)。
我们依旧进行猫狗分类,按照教程导入模型修改num_classes再导入训练数据,直接训练是会报错的,因为最后的Logits层几个参数在恢复时维度不匹配。
最后几个参数是不能恢复了,笔者也没有找到选择性恢复.ckpt参数的tensorflow方法。怎么办呢?幸好群里面有位朋友提供了一个方法,参见【Tensorflow 迁移学习】:
主要思想是:先把所有.ckpt参数恢复成npz格式,再选择恢复npz中的参数,恢复npz中的参数就跟前一篇博客操作一样的了。
所以整个过程分两步走:
1.将参数恢复然后保存为npz格式:
下面是具体代码:
- import os
- import time
- from recordutil import *
- import numpy as np
- # from tensorflow.contrib.slim.python.slim.nets.resnet_v2 import resnet_v2_152
- # from tensorflow.contrib.slim.python.slim.nets.vgg import vgg_16
- import skimage
- import skimage.io
- import skimage.transform
- import tensorflow as tf
- from tensorlayer.layers import *
- # from scipy.misc import imread, imresize
- # from tensorflow.contrib.slim.python.slim.nets.alexnet import alexnet_v2
- from inception_resnet_v2 import (inception_resnet_v2_arg_scope, inception_resnet_v2)
- from scipy.misc import imread, imresize
- from tensorflow.python.ops import variables
- import tensorlayer as tl
- slim = tf.contrib.slim
- try:
- from data.imagenet_classes import *
- except Exception as e:
- raise Exception(
- "{} / download the file from: https://github.com/zsdonghao/tensorlayer/tree/master/example/data".format(e))
- n_epoch = 200
- learning_rate = 0.0001
- print_freq = 2
- batch_size = 32
- ## InceptionV3 / All TF-Slim nets can be merged into TensorLayer
- x = tf.placeholder(tf.float32, shape=[None, 299, 299, 3])
- # 输出
- y_ = tf.placeholder(tf.int32, shape=[None, ], name='y_')
- net_in = tl.layers.InputLayer(x, name='input_layer')
- with slim.arg_scope(inception_resnet_v2_arg_scope()):
- network = tl.layers.SlimNetsLayer(
- prev_layer=net_in,
- slim_layer=inception_resnet_v2,
- slim_args={
- 'num_classes': 1001,
- 'is_training': True,
- },
- name='InceptionResnetV2' # <-- the name should be the same with the ckpt model
- )
- # network = fc_layers(net_cnn)
- sess = tf.InteractiveSession()
- network.print_params(False)
- # network.print_layers()
- saver = tf.train.Saver()
- # 加载预训练的参数
- # tl.files.assign_params(sess, npz, network)
- tl.layers.initialize_global_variables(sess)
- saver.restore(sess, "inception_resnet_v2.ckpt")
- print("Model Restored")
- all_params = sess.run(network.all_params)
- np.savez('inception_resnet_v2.npz', params=all_params)
- sess.close()
执行成功之后,我们得到模型所有的908个参数。
2.部分恢复npz参数然后训练模型:
首先我们修改模型最后一层参数,由于进行的是2分类学习,所以做如下修改:
- with slim.arg_scope(inception_resnet_v2_arg_scope()):
- network = tl.layers.SlimNetsLayer(
- prev_layer=net_in,
- slim_layer=inception_resnet_v2,
- slim_args={
- 'num_classes': 2,
- 'is_training': True,
- },
- name='InceptionResnetV2' # <-- the name should be the same with the ckpt model
- )
num_classes改为2,is_training为True。
接着定义输入输出以及损失函数:
- sess = tf.InteractiveSession()
- # saver = tf.train.Saver()
- y = network.outputs
- y_op = tf.argmax(tf.nn.softmax(y), 1)
- cost = tl.cost.cross_entropy(y, y_, name='cost')
- correct_prediction = tf.equal(tf.cast(tf.argmax(y, 1), tf.float32), tf.cast(y_, tf.float32))
- acc = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
下面是定义训练参数,我们只训练最后一层的参数,打印参数出来我们看到:
- [TL] param 900: InceptionResnetV2/AuxLogits/Conv2d_2a_5x5/weights:0 (5, 5, 128, 768) float32_ref
- [TL] param 901: InceptionResnetV2/AuxLogits/Conv2d_2a_5x5/BatchNorm/beta:0 (768,) float32_ref
- [TL] param 902: InceptionResnetV2/AuxLogits/Conv2d_2a_5x5/BatchNorm/moving_mean:0 (768,) float32_ref
- [TL] param 903: InceptionResnetV2/AuxLogits/Conv2d_2a_5x5/BatchNorm/moving_variance:0 (768,) float32_ref
- [TL] param 904: InceptionResnetV2/AuxLogits/Logits/weights:0 (768, 2) float32_ref
- [TL] param 905: InceptionResnetV2/AuxLogits/Logits/biases:0 (2,) float32_ref
- [TL] param 906: InceptionResnetV2/Logits/Logits/weights:0 (1536, 2) float32_ref
- [TL] param 907: InceptionResnetV2/Logits/Logits/biases:0 (2,) float32_ref
- [TL] num of params: 56940900
从param 904开始训练就行了,参数恢复到param 903
下面是训练函数以及恢复部分参数,加载样本数据:
- # 定义 optimizer
- train_params = network.all_params[904:]
- print('训练参数:', train_params)
- # # 加载预训练的参数
- # tl.files.assign_params(sess, params, network)
- train_op = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(cost, var_list=train_params)
- img, label = read_and_decode("D:\\001-Python\\train299.tfrecords")
- # 使用shuffle_batch可以随机打乱输入
- X_train, y_train = tf.train.shuffle_batch([img, label],
- batch_size=batch_size, capacity=200,
- min_after_dequeue=100)
- tl.layers.initialize_global_variables(sess)
- params = tl.files.load_npz('', 'inception_resnet_v2.npz')
- params = params[0:904]
- print('当前参数大小:', len(params))
- tl.files.assign_params(sess, params=params, network=network)
下面依旧是训练模型的代码,跟上一篇一样:
- # # 训练模型
- coord = tf.train.Coordinator()
- threads = tf.train.start_queue_runners(sess=sess, coord=coord)
- step = 0
- filelist = getfilelist()
- for epoch in range(n_epoch):
- start_time = time.time()
- val, l = sess.run([X_train, y_train])#next_data(filelist, batch_size) #
- for X_train_a, y_train_a in tl.iterate.minibatches(val, l, batch_size, shuffle=True):
- sess.run(train_op, feed_dict={x: X_train_a, y_: y_train_a})
- if epoch + 1 == 1 or (epoch + 1) % print_freq == 0:
- print("Epoch %d of %d took %fs" % (epoch + 1, n_epoch, time.time() - start_time))
- train_loss, train_acc, n_batch = 0, 0, 0
- for X_train_a, y_train_a in tl.iterate.minibatches(val, l, batch_size, shuffle=True):
- err, ac = sess.run([cost, acc], feed_dict={x: X_train_a, y_: y_train_a})
- train_loss += err
- train_acc += ac
- n_batch += 1
- print(" train loss: %f" % (train_loss / n_batch))
- print(" train acc: %f" % (train_acc / n_batch))
- # tl.files.save_npz(network.all_params, name='model_vgg_16_2.npz', sess=sess)
- coord.request_stop()
- coord.join(threads)
batchsize为20训练200代,部分结果如下:
- Epoch 156 of 200 took 12.568609s
- train loss: 0.382517
- train acc: 0.950000
- Epoch 158 of 200 took 12.457161s
- train loss: 0.382509
- train acc: 0.850000
- Epoch 160 of 200 took 12.385407s
- train loss: 0.320393
- train acc: 1.000000
- Epoch 162 of 200 took 12.489218s
- train loss: 0.480686
- train acc: 0.700000
- Epoch 164 of 200 took 12.388841s
- train loss: 0.329189
- train acc: 0.850000
- Epoch 166 of 200 took 12.446472s
- train loss: 0.379127
- train acc: 0.900000
- Epoch 168 of 200 took 12.888571s
- train loss: 0.365938
- train acc: 0.900000
- Epoch 170 of 200 took 12.850605s
- train loss: 0.353434
- train acc: 0.850000
- Epoch 172 of 200 took 12.855129s
- train loss: 0.315443
- train acc: 0.950000
- Epoch 174 of 200 took 12.906666s
- train loss: 0.460817
- train acc: 0.750000
- Epoch 176 of 200 took 12.830738s
- train loss: 0.421025
- train acc: 0.900000
- Epoch 178 of 200 took 12.852572s
- train loss: 0.418784
- train acc: 0.800000
- Epoch 180 of 200 took 12.951322s
- train loss: 0.316057
- train acc: 0.950000
- Epoch 182 of 200 took 12.866213s
- train loss: 0.363328
- train acc: 0.900000
- Epoch 184 of 200 took 13.012520s
- train loss: 0.379462
- train acc: 0.850000
- Epoch 186 of 200 took 12.934583s
- train loss: 0.472857
- train acc: 0.750000
- Epoch 188 of 200 took 13.038168s
- train loss: 0.236005
- train acc: 1.000000
- Epoch 190 of 200 took 13.056378s
- train loss: 0.266042
- train acc: 0.950000
- Epoch 192 of 200 took 13.016137s
- train loss: 0.255430
- train acc: 0.950000
- Epoch 194 of 200 took 13.013147s
- train loss: 0.422342
- train acc: 0.900000
- Epoch 196 of 200 took 12.980659s
- train loss: 0.353984
- train acc: 0.900000
- Epoch 198 of 200 took 13.033676s
- train loss: 0.320018
- train acc: 0.950000
- Epoch 200 of 200 took 12.945982s
- train loss: 0.288049
- train acc: 0.950000
好了,迁移学习Inception-ResNet-v2结束。
作者说SlimNetsLayer是能导入任何Slim Model的。笔者已经验证过导入Inception-ResNet-v2和VGG16成功,Inception V3导入后训练了两三天,正确率一直在10到70之间波动(跟笔者的心情一样不稳定),笔者一直找不出原因,心累,希望哪位朋友再去验证一下Inception V3咯。
用tensorlayer导入Slim模型迁移学习的更多相关文章
- 第二十四节,TensorFlow下slim库函数的使用以及使用VGG网络进行预训练、迁移学习(附代码)
在介绍这一节之前,需要你对slim模型库有一些基本了解,具体可以参考第二十二节,TensorFlow中的图片分类模型库slim的使用.数据集处理,这一节我们会详细介绍slim模型库下面的一些函数的使用 ...
- Gluon炼丹(Kaggle 120种狗分类,迁移学习加双模型融合)
这是在kaggle上的一个练习比赛,使用的是ImageNet数据集的子集. 注意,mxnet版本要高于0.12.1b2017112. 下载数据集. train.zip test.zip labels ...
- 基于深度学习和迁移学习的识花实践——利用 VGG16 的深度网络结构中的五轮卷积网络层和池化层,对每张图片得到一个 4096 维的特征向量,然后我们直接用这个特征向量替代原来的图片,再加若干层全连接的神经网络,对花朵数据集进行训练(属于模型迁移)
基于深度学习和迁移学习的识花实践(转) 深度学习是人工智能领域近年来最火热的话题之一,但是对于个人来说,以往想要玩转深度学习除了要具备高超的编程技巧,还需要有海量的数据和强劲的硬件.不过 Tens ...
- 1 如何使用pb文件保存和恢复模型进行迁移学习(学习Tensorflow 实战google深度学习框架)
学习过程是Tensorflow 实战google深度学习框架一书的第六章的迁移学习环节. 具体见我提出的问题:https://www.tensorflowers.cn/t/5314 参考https:/ ...
- 基于TensorFlow Object Detection API进行迁移学习训练自己的人脸检测模型(二)
前言 已完成数据预处理工作,具体参照: 基于TensorFlow Object Detection API进行迁移学习训练自己的人脸检测模型(一) 设置配置文件 新建目录face_faster_rcn ...
- ML.NET 示例:图像分类模型训练-首选API(基于原生TensorFlow迁移学习)
ML.NET 版本 API 类型 状态 应用程序类型 数据类型 场景 机器学习任务 算法 Microsoft.ML 1.5.0 动态API 最新 控制台应用程序和Web应用程序 图片文件 图像分类 基 ...
- PV3D学习笔记-导入DAE模型
网上关于PV3D导入DAE模型的例子都非常多,可惜我研究了半天,一个都没成功,或者是破面问题,或者是贴图不显示,再或者贴图乱掉了.今天晚上终于搞定,心得发上来. 制作模型的软件是SketchUp ...
- 【深度学习系列】迁移学习Transfer Learning
在前面的文章中,我们通常是拿到一个任务,譬如图像分类.识别等,搜集好数据后就开始直接用模型进行训练,但是现实情况中,由于设备的局限性.时间的紧迫性等导致我们无法从头开始训练,迭代一两百万次来收敛模型, ...
- 用tensorflow迁移学习猫狗分类
笔者这几天在跟着莫烦学习TensorFlow,正好到迁移学习(至于什么是迁移学习,看这篇),莫烦老师做的是预测猫和老虎尺寸大小的学习.作为一个有为的学生,笔者当然不能再预测猫啊狗啊的大小啦,正好之前正 ...
随机推荐
- XSS和CSRF的理解
声明:转自 http://www.cnblogs.com/hyddd/archive/2009/04/09/1432744.html XSS攻击:跨站脚本攻击(Cross Site Scripting ...
- 谈谈spring-boot不同包结构下,同样的类名冲突导致服务启动失败解决方案
项目背景: 某日,有需求要在三天的时间内完成两个大项目的项目合并,因为之前两个项目的包结构和类名都很多相同,于是开始考虑使用加一级包进行隔离,类似于这种结构 但是在启动的过程中,抛出来这样的异常: C ...
- css常见属性
css常见属性 1.颜色属性 1.1 color属性定义文本的颜色 1.2 color:green 1.3 color:#ff6600 可简写为#f60 1.4 color:rgb(255,255,2 ...
- view-xpath
https://addons.mozilla.org/en-US/firefox/ WebDriver Element Locator
- JS面向对象特性和值类型与复合类型
JS面向对象之特性已经值类型与复合类型 一些属性 空对象 空对象也是对象, 只是有存变量的变量名, 没有对象属性 var o ={}; 参数传递 值类型: 函数内外两个变量, 两个数据, 都不相同 ...
- hue集成hive访问报database is locked
这个问题这应该是hue默认的SQLite数据库出现错误,你可以使用mysql postgresql等来替换 hue默认使用sqlite作为元数据库,不推荐在生产环境中使用.会经常出现database ...
- 申请安装阿里云免费SSL证书
微信小程序已经全面要求使用HTTPS服务了,还有苹果商店也是,所以,实现网站HTTPS已经很有必要.要实现HTTPS就需要一个SSL证书,证书大部分都很贵,不过也有一些免费的证书服务供个人开发者使用. ...
- python打包工具distutils、setuptools分析
在上一篇博文中总结了python中导入包,安装包一条完整的线路.其中有一个有意思的知识点,安装包的方式有很多种,模块和包管理中打包,发布,安装也是值得研究的内容. python中安装包的方式有很多种: ...
- 2018.4.16Spring.Net入门学习内容
三大方面: IoC:Inversion of Control 控制翻转:就是创建对象的权利由开发人员自己控制New,转到了由容器来控制. DI:Dependency InjectionIt is a ...
- 是否有必要学习使用纯Verilog写一个SDRAM控制器
在做这个SDRAM控制器之前,博主有一个疑问,对于学生来说,是否有必要学习用纯Verilog写一个SDRAM控制器?因为目前X家和A家都有了DDR IP Core,对于要实现一个应用可以直接调用IP ...