tensorflow-Inception-v3模型訓練自己的數據代碼示例

一、聲明

　　本代碼非原創，源網址不詳，僅做學習參考。

二、代碼　　

# -*- coding: utf-8 -*-

import glob  # 返回一個包含有匹配文件/目錄的數組
import os.path
import random
import numpy as np
import tensorflow as tf
from tensorflow.python.platform import gfile

# inception-v3瓶頸層的節點個數
BOTTLENECT_TENSOR_SIZE = 2048

# 在谷歌提供的inception-v3模型中，瓶頸層結果的張量名稱為'pool_3/_reshape:0'
# 可以使用tensor.name來獲取張量名稱
BOTTLENECT_TENSOR_NAME = 'pool_3/_reshape:0'

# 圖像輸入張量所對應的名稱
JPEG_DATA_TENSOR_NAME = 'DecodeJpeg/contents:0'

# 下載的谷歌inception-v3模型文件目錄
MODEL_DIR = '/tensorflow_google/inception_model'

# 下載的訓練好的模型文件名
MODEL_FILE = 'tensorflow_inception_graph.pb'

# 將原始圖像通過inception-v3模型計算得到的特征向量保存在文件中，下面定義文件存放地址
CACHE_DIR = '/tensorflow_google/bottleneck'

# 圖片數據文件夾，子文件為類別
INPUT_DATA = '/tensorflow_google/flower_photos'

# 驗證的數據百分比
VALIDATION_PRECENTAGE = 10
# 測試的數據百分比
TEST_PRECENTAGE = 10

# 定義神經網絡的參數
LEARNING_RATE = 0.01
STEPS = 4000
BATCH = 100


# 從數據文件夾中讀取所有的圖片列表並按訓練、驗證、測試數據分開
# testing_percentage和validation_percentage指定測試和驗證數據集的大小
def create_image_lists(testing_percentage, validation_percentage):
    # 得到的圖片放到result字典中，key為類別名稱，value為類別下的各個圖片（也是字典）
    result = {}
    # 獲取當前目錄下所有的子目錄
    sub_dirs = [x[0] for x in os.walk(INPUT_DATA)]
    # sub_dirs中第一個目錄是當前目錄，即flower_photos，不用考慮
    is_root_dir = True
    for sub_dir in sub_dirs:
        if is_root_dir:
            is_root_dir = False
            continue

        # 獲取當前目錄下所有的有效圖片文件
        extensions = ['jpg', 'jpeg', 'JPG', 'JPEG']
        file_list = []
        # 獲取當前文件名
        dir_name = os.path.basename(sub_dir)
        for extension in extensions:
            # 將分離的各部分組成一個路徑名,如/flower_photos/roses/*.JPEG
            file_glob = os.path.join(INPUT_DATA, dir_name, '*.'+extension)
            # glob.glob()返回的是所有路徑下的符合條件的文件名的列表
            file_list.extend(glob.glob(file_glob))
        if not file_list: continue

        # 通過目錄名獲取類別的名稱（全部小寫）
        label_name = dir_name.lower()
        # 初始化當前類別的訓練數據集、測試數據集和驗證數據集
        training_images = []
        testing_images = []
        validation_images = []
        for file_name in file_list:
            base_name = os.path.basename(file_name) #獲取當前文件名
            # 隨機將數據分到訓練數據集、測試數據集以及驗證數據集
            chance = np.random.randint(100) #隨機返回一個整數
            if chance < validation_percentage:
                validation_images.append(base_name)
            elif chance < (testing_percentage + validation_percentage):
                testing_images.append(base_name)
            else:
                training_images.append(base_name)

        # 將當前類別的數據放入結果字典
        result[label_name] = {'dir': dir_name, 'training': training_images,
                              'testing': testing_images, 'validation': validation_images}
    return result


# 通過類別名稱、所屬數據集和圖片編號獲取一張圖片的地址
# image_lists為所有圖片信息，image_dir給出根目錄，label_name為類別名稱，index為圖片編號，category指定圖片是在哪個訓練集
def get_image_path(image_lists, image_dir, label_name, index, category):
    # 獲取給定類別中所有圖片的信息
    label_lists = image_lists[label_name]
    # 根據所屬數據集的名稱獲取集合中的全部圖片信息
    category_list = label_lists[category]
    mod_index = index % len(category_list)
    # 獲取圖片的文件名
    base_name = category_list[mod_index]
    sub_dir = label_lists['dir']
    # 最終的地址為數據根目錄的地址加上類別的文件夾加上圖片的名稱
    full_path = os.path.join(image_dir, sub_dir, base_name)
    return full_path


# 通過類別名稱、所屬數據集和圖片編號經過inception-v3處理之后的特征向量文件地址
def get_bottleneck_path(image_lists, label_name, index, category):
    return get_image_path(image_lists, CACHE_DIR, label_name, index, category)+'.txt'


# 使用加載的訓練好的網絡處理一張圖片，得到這個圖片的特征向量
def run_bottleneck_on_image(sess, image_data, image_data_tensor, bottleneck_tensor):
    # 將當前圖片作為輸入，計算瓶頸張量的值
    # 這個張量的值就是這張圖片的新的特征向量
    bottleneck_values = sess.run(bottleneck_tensor, {image_data_tensor: image_data})
    # 經過卷積神經網絡處理的結果是一個四維數組，需要將這個結果壓縮成一個一維數組
    bottleneck_values = np.squeeze(bottleneck_values) #從數組的形狀中刪除單維條目
    return  bottleneck_values


# 獲取一張圖片經過inception-v3模型處理之后的特征向量
# 先尋找已經計算並且保存的向量，若找不到則計算然后保存到文件
def get_or_create_bottleneck(sess, image_lists, label_name, index, category,
                             jpeg_data_tensor, bottleneck_tensor):
    # 獲取一張圖片對應的特征向量文件路徑
    label_lists = image_lists[label_name]
    sub_dir = label_lists['dir']
    sub_dir_path = os.path.join(CACHE_DIR, sub_dir)
    if not os.path.exists(sub_dir_path):
        os.makedirs(sub_dir_path) #若不存在則創建
    bottleneck_path = get_bottleneck_path(image_lists, label_name, index, category)

    # 如果這個特征向量文件不存在，則通過inception-v3計算，並存入文件
    if not os.path.exists(bottleneck_path):
        # 獲取原始的圖片路徑
        image_path = get_image_path(image_lists, INPUT_DATA, label_name, index, category)
        # 獲取圖片內容，對圖片的讀取
        image_data = gfile.FastGFile(image_path, 'rb').read()
        # 通過inception-v3計算特征向量
        bottleneck_values = run_bottleneck_on_image(sess, image_data, jpeg_data_tensor, bottleneck_tensor)
        # 將計算得到的特征向量存入文件,join()連接字符串
        bottleneck_string = ','.join(str(x) for x in bottleneck_values)
        with open(bottleneck_path, 'w') as bottleneck_file:  #打開文件並寫入
            bottleneck_file.write(bottleneck_string)
    else:
        # 直接從文件中獲取圖片相應的特征向量
        with open(bottleneck_path, 'r') as bottleneck_file:
            bottleneck_string = bottleneck_file.read()
        bottleneck_values = [float(x) for x in bottleneck_string.split(',')]
    # 返回特征向量
    return bottleneck_values


# 隨機選取一個batch的圖片作為訓練數據
def get_random_cached_bottlenecks(sess, n_classes, image_lists, how_many, category,
                                  jpeg_data_tensor, bottleneck_tensor):
    bottlenecks = []
    ground_truths = []
    for _ in range(how_many):
        # 隨機一個類別和圖片的編號加入當前的訓練數據
        label_index = random.randrange(n_classes)  # 返回指定遞增基數集合中的一個隨機數，基數缺省值為1，隨機類別號
        label_name = list(image_lists.keys())[label_index]
        image_index = random.randrange(65536)
        bottleneck = get_or_create_bottleneck(sess, image_lists, label_name, image_index,
                                              category, jpeg_data_tensor, bottleneck_tensor)
        ground_truth = np.zeros(n_classes, dtype=np.float32)
        ground_truth[label_index] = 1.0
        bottlenecks.append(bottleneck)
        ground_truths.append(ground_truth)

    return bottlenecks, ground_truths


# 獲取全部的測試數據，在最終測試的時候在所有測試數據上計算正確率
def get_test_bottlenecks(sess, image_lists, n_classes, jpeg_data_tensor, bottleneck_tensor):
    bottlenecks = []
    ground_truths = []
    label_name_list = list(image_lists.keys())
    # 枚舉所有類別和每個類別中的測試圖片
    for label_index, label_name in enumerate(label_name_list):
        category = 'testing'
        for index, unused_base_name in enumerate(image_lists[label_name][category]):
            # 通過inception-v3計算圖片對應的特征向量，並將其加入最終數據的列表
            bottleneck = get_or_create_bottleneck(sess, image_lists, label_name, index, category,
                                                  jpeg_data_tensor, bottleneck_tensor)
            ground_truth = np.zeros(n_classes, dtype=np.float32)
            ground_truth[label_index] = 1.0
            bottlenecks.append(bottleneck)
            ground_truths.append(ground_truth)
    return bottlenecks, ground_truths


def main(_):
    # 讀取所有圖片
    image_lists = create_image_lists(TEST_PRECENTAGE, VALIDATION_PRECENTAGE)
    # image_lists.keys()為dict_keys(['roses', 'sunflowers', 'daisy', 'dandelion', 'tulips'])
    n_classes = len(image_lists.keys()) # 類別數
    # 讀取已經訓練好的inception-v3模型，谷歌訓練好的模型保存在了GraphDef Protocol Buffer中
    # 里面保存了每一個節點取值的計算方法以及變量的取值
    # 對模型的讀取,二進制
    with gfile.FastGFile(os.path.join(MODEL_DIR, MODEL_FILE), 'rb') as f:
        #  新建GraphDef文件,用於臨時載入模型中的圖
        graph_def = tf.GraphDef()
        # 加載模型中的圖
        graph_def.ParseFromString(f.read())
        # 加載讀取的inception模型，並返回數據輸出所對應的張量以及計算瓶頸層結果所對應的張量
        # 從圖上讀取張量，同時把圖設為默認圖
        # Tensor("import/pool_3/_reshape:0", shape=(1, 2048), dtype=float32)
        # Tensor("import/DecodeJpeg/contents:0", shape=(), dtype=string)
        bottleneck_tensor, jpeg_data_tensor = tf.import_graph_def(graph_def, return_elements=[BOTTLENECT_TENSOR_NAME,
                                                                                              JPEG_DATA_TENSOR_NAME])

        # 定義新的神經網絡輸入，這個輸入就是新的圖片經過inception模型前向傳播達到瓶頸層的節點取值,None為了batch服務
        bottleneck_input = tf.placeholder(tf.float32, [None, BOTTLENECT_TENSOR_SIZE],
                                          name='BottleneckInputPlaceholder')
        # 定義新的標准答案
        ground_truth_input = tf.placeholder(tf.float32, [None, n_classes], name='GroundTruthInput')

        # 定義一層全連接層來解決新的圖片分類問題
        with tf.name_scope('final_training_ops'):
            weights = tf.Variable(tf.truncated_normal([BOTTLENECT_TENSOR_SIZE, n_classes], stddev=0.001))
            biases = tf.Variable(tf.zeros([n_classes]))
            logits = tf.matmul(bottleneck_input, weights) + biases
            final_tensor = tf.nn.softmax(logits)

        # 定義交叉熵損失函數
        # tf.nn.softmax中dim默認為-1,即tf.nn.softmax會以最后一個維度作為一維向量計算softmax
        cross_entropy = tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=ground_truth_input)
        cross_entropy_mean = tf.reduce_mean(cross_entropy)
        train_step = tf.train.GradientDescentOptimizer(LEARNING_RATE).minimize(cross_entropy_mean)

        # 計算正確率
        with tf.name_scope('evaluation'):
            correct_prediction = tf.equal(tf.argmax(final_tensor, 1), tf.argmax(ground_truth_input, 1))
            # 平均錯誤率，cast將bool值轉成float
            evaluation_step = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

        with tf.Session() as sess:
            init = tf.initialize_all_variables()
            sess.run(init)

            # 訓練過程
            for i in range(STEPS):
                # 每次獲取一個batch的訓練數據
                train_bottlenecks, train_ground_truth = get_random_cached_bottlenecks\
                    (sess, n_classes, image_lists, BATCH, 'training', jpeg_data_tensor, bottleneck_tensor)
                sess.run(train_step, feed_dict={bottleneck_input: train_bottlenecks,
                                                ground_truth_input: train_ground_truth})

                # 在驗證數據上測試正確率
                if i % 100 == 0 or i+1 == STEPS:
                    validation_bottlenecks, validation_ground_truth = \
                        get_random_cached_bottlenecks(sess, n_classes, image_lists, BATCH,
                                                      'validation', jpeg_data_tensor, bottleneck_tensor)
                    validation_accuracy = sess.run(evaluation_step,
                                                   feed_dict={bottleneck_input: validation_bottlenecks,
                                                              ground_truth_input: validation_ground_truth})
                    print('Step %d :Validation accuracy on random sampled %d examples = %.1f%%' %
                          (i, BATCH, validation_accuracy*100))

            # 在最后的測試數據上測試正確率
            test_bottlenecks, test_ground_truth = get_test_bottlenecks(sess, image_lists, n_classes,
                                                                       jpeg_data_tensor, bottleneck_tensor)
            test_accuracy = sess.run(evaluation_step, feed_dict={bottleneck_input: test_bottlenecks,
                                                                 ground_truth_input: test_ground_truth})
            print('Final test accuracy = %.1f%%' % (test_accuracy*100))


if __name__ == '__main__':
    tf.app.run()