详解tensorflow实现迁移学习实例_深度迁移学习 - CSDN文库

tensorflow实现迁移

16 浏览量更新于2023-03-16 评论收藏 49KB PDF 举报

身份认证购VIP最低享 7 折!

领优惠券(最高得80元）

资源详情

资源评论

资源推荐

详解详解tensorflow实现迁移学习实例实现迁移学习实例

本篇文章主要介绍了详解tensorflow实现迁移学习实例，小编觉得挺不错的，现在分享给大家，也给大家做个参

考。一起跟随小编过来看看吧

本文主要是总结利用tensorflow实现迁移学习的基本步骤。

所谓迁移学习，就是将上一个问题上训练好的模型通过简单的调整使其适用于一个新的问题。比如说，我们可以保留训练好的

Inception-v3模型中所有的参数，只替换最后一层全连接层。在最后一层全连接层之前的网络称之为瓶颈层（bottleneck）。

持久化持久化

首先需要简单介绍下tensorflow中的持久化：在tensorflow中提供了一个非常简单的API来保存和还原一个神经网络模型，这个

API就是tf.train.Saver类。当采用该方法保存时会生成三个文件，一个文件是model.ckpt.meta，它保存了Tensorflow计算图的结

构；第二个文件是model.ckpt，它保存了程序中每一个变量的取值；最后一个文件是checkpoint文件，这个文件中保存了一个目

录下所有模型文件列表。

保存图

init_op = tf.initialize_all_variables()

with tf.Session() as sess:

sess.run(init_op)

saver.save(sess, "model.ckpt")

加载图

saver = tf.train.import_meta_graph("model.ckpt.meta")

with tf.Session() as sess:

saver.restore(sess, "model.ckpt")

迁移学习迁移学习

第一步：读取加载已经训练好的模型

在inception-v3模型代表瓶颈层结果的张量名称是'pool3/_reshape:0'，图像输入张量对应的名称'DecodeJpeg/contents:0'

BOTTLENECK_TENSOR_NAME = 'pool_3/_reshape:0'

JPEG_DATA_TENSOR_NAME = 'DecodeJpeg/contents:0'

#读取已经训练好的模型

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：利用读取的模型，定义新的神经网络输入，这个输入就是新的图片经过Inception-v3模型前向传播到达瓶颈层的取值，

是一种特征提取过程。

def run_bottlenect_on_images(sess, image_data, image_data_tensor, bottlenect_tensor):

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

# 经过卷积网络处理后的是一个思维数组，压缩成一个特征，一维向量输出

bottlenect_values = np.squeeze(bottlenect_values)

return bottlenect_values

该过程实际上利用获取的tensor计算图片的特征向量，完成特征提取的过程。

第三步：利用获取的图像的特征向量完成接下来的任务（比如分类）

以上是仅关键代码。希望对大家的学习有所帮助，也希望大家多多支持我们。

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余0页未读，立即下载

评论0

weixin_38725137

粉丝: 3
资源: 925

会员权益专享

图片转文字

全年可省5，000元立即开通

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈