使用tensorflow的retrain.py训练图片分类器

参考

https://hackernoon.com/creating-insanely-fast-image-classifiers-with-mobilenet-in-tensorflow-f030ce0a2991

https://github.com/tensorflow/tensorflow/blob/master/tensorflow/examples/image_retraining/retrain.py

https://codelabs.developers.google.com/codelabs/tensorflow-for-poets/#0

https://www.tensorflow.org/tutorials/image_retraining

准备图片

images/label1/1.jpg

　　　　　　/2.jpg

images/label2/1.jpg

　　　　　　/2.jpg

开始训练，默认Inception v3 model

python retrain.py   --bottleneck_dir=bottlenecks   --how_many_training_steps=500   --model_dir=inception   --summaries_dir=training_summaries/basic   --output_graph=retrained_graph.pb   --output_labels=retrained_labels.txt   --image_dir=flower_photos

也可以使用其他模型

详细参数查看

python retrain.py -h

使用训练结果进行预测

参考https://codelabs.developers.google.com/codelabs/tensorflow-for-poets/#5

这样在训练好的inception-2015-12-05数据基础上

仅重新训练最后一层

用较短的时间达到分类效果

时间： 2024-12-18 00:43:17

使用tensorflow的retrain.py训练图片分类器的相关文章

tensorflow迁移学习retrain.py

使用官方的retrain.py文件,默认地址下载不了模型,并且在将下载好的本地模型载入也会出错,下面是另外一个版本的retrain.py文件,可以使用. github源码:retrain.py Windows批处理文件: python retrain.py ^ --bottleneck_dir tmp/bottleneck ^ --how_many_training_steps 200 ^ --model_dir I:/360MoveData/Users/Stark/Desktop/python

用tensorflow神经网络实现一个简易的图片分类器

文章写的不清晰请大家原谅QAQ 这篇文章我们将用 CIFAR-10数据集做一个很简易的图片分类器. 在 CIFAR-10数据集包含了60,000张图片.在此数据集中,有10个不同的类别,每个类别中有6,000个图像.每幅图像的大小为32 x 32像素.虽然这么小的尺寸通常给人类识别正确的类别带来了困难,但它实际上是对计算机模型的简化并且减少了分析图像所需的计算.                                                                CIFA

TensorFlow使用object detection训练并识别自己的模型

使用object detection训练并识别自己的模型 1.安装tensorflow(version>=1.4.0) 2.部署tensorflow models - 在这里下载 - 解压并安装 - 解压后重命名为models复制到tensorflow/目录下 - 在linux下 - 进入tensorflow/models/research/目录,运行protoc object_detection/protos/*.proto --python_out=. - 在~/.bashrc file.中

一文全解：利用谷歌深度学习框架Tensorflow识别手写数字图片（初学者篇）

笔记整理者:王小草 笔记整理时间2017年2月24日 原文地址 http://blog.csdn.net/sinat_33761963/article/details/56837466?fps=1&locationNum=5 Tensorflow官方英文文档地址:https://www.tensorflow.org/get_started/mnist/beginners 本文整理时官方文档最近更新时间:2017年2月15日 1.案例背景 本文是跟着Tensorflow官方文档的第二篇教程–识别手

DRL 教程 | 如何保持运动小车上的旗杆屹立不倒？TensorFlow利用A3C算法训练智能体玩CartPole游戏

本教程讲解如何使用深度强化学习训练一个可以在 CartPole 游戏中获胜的模型.研究人员使用 tf.keras.OpenAI 训练了一个使用「异步优势动作评价」(Asynchronous Advantage Actor Critic,A3C)算法的智能体,通过 A3C 的实现解决了 CartPole 游戏问题,过程中使用了贪婪执行.模型子类和自定义训练循环. 该过程围绕以下概念运行: 贪婪执行--贪婪执行是一个必要的.由运行定义的接口,此处的运算一旦从 Python 调用,就要立刻执行.这使得

吴裕雄 python 神经网络——TensorFlow 使用卷积神经网络训练和预测MNIST手写数据集

import tensorflow as tf import numpy as np from tensorflow.examples.tutorials.mnist import input_data #设置输入参数 batch_size = 128 test_size = 256 # 初始化权值与定义网络结构,建构一个3个卷积层和3个池化层,一个全连接层和一个输出层的卷积神经网络 # 首先定义初始化权重函数 def init_weights(shape): return tf.Variabl

Pytorch学习-训练CIFAR10分类器

output_10_1.png TRAINING A CLASSIFIER 参考Pytorch Tutorial:Deep Learning with PyTorch: A 60 Minute Blitz 在学会了以下后: 定义神经网络 计算损失函数 更新权重 What about data Generally, when you have to deal with image, text, audio or video data, you can use standard python pac

TensorFlow如何提高GPU训练效率和利用率

前言 首先,如果你现在已经很熟悉tf.data+estimator了,可以把文章x掉了╮(￣▽￣””)╭ 但是!如果现在还是在进行session.run(..)的话!尤其是苦恼于GPU显存都塞满了利用率却上不去的童鞋,这篇文章或许可以给你打开新世界的大门噢(￣∇￣) 如果发现经过一系列改良后训练效率大大提高了,记得回来给小夕发小红包(￣∇￣) 不过,这并不是一篇怒贴一堆代码,言(三)简(言)意(两)赅(语)就结束的CSDN文风的文章...所以伸手党们也可以X掉了╮(￣▽￣””)╭ 缘起 很早很早

吴裕雄 python 神经网络——TensorFlow实现回归模型训练预测MNIST手写数据集

import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets("E:\\MNIST_data\\", one_hot=True) #构建回归模型,输入原始真实值(group truth),采用sotfmax函数拟合,并定义损失函数和优化器 #定义回归模型 x = tf.placeholder(tf.float32,