本代码非原创，源网址不详，仅做学习参考。
二、代码
1 # -*- coding: utf-8 -*- 2 3 import glob # 返回一个包含有匹配文件/目录的数组 4 import os.path 5 import random 6 import numpy as np 7 import tensorflow as tf 8 from tensorflow.python.platform import gfile 9 10 # inception-v3瓶颈层的节点个数 11 BOTTLENECT_TENSOR_SIZE = 2048 12 13 # 在谷歌提供的inception-v3模型中，瓶颈层结果的张量名称为\'pool_3/_reshape:0\' 14 # 可以使用tensor.name来获取张量名称 15 BOTTLENECT_TENSOR_NAME = \'pool_3/_reshape:0\' 16 17 # 图像输入张量所对应的名称 18 JPEG_DATA_TENSOR_NAME = \'DecodeJpeg/contents:0\' 19 20 # 下载的谷歌inception-v3模型文件目录 21 MODEL_DIR = \'/tensorflow_google/inception_model\' 22 23 # 下载的训练好的模型文件名 24 MODEL_FILE = \'tensorflow_inception_graph.pb\' 25 26 # 将原始图像通过inception-v3模型计算得到的特征向量保存在文件中，下面定义文件存放地址 27 CACHE_DIR = \'/tensorflow_google/bottleneck\' 28 29 # 图片数据文件夹，子文件为类别 30 INPUT_DATA = \'/tensorflow_google/flower_photos\' 31 32 # 验证的数据百分比 33 VALIDATION_PRECENTAGE = 10 34 # 测试的数据百分比 35 TEST_PRECENTAGE = 10 36 37 # 定义神经网络的参数 38 LEARNING_RATE = 0.01 39 STEPS = 4000 40 BATCH = 100 41 42 43 # 从数据文件夹中读取所有的图片列表并按训练、验证、测试数据分开 44 # testing_percentage和validation_percentage指定测试和验证数据集的大小 45 def create_image_lists(testing_percentage, validation_percentage): 46 # 得到的图片放到result字典中，key为类别名称，value为类别下的各个图片（也是字典） 47 result = {} 48 # 获取当前目录下所有的子目录 49 sub_dirs = [x[0] for x in os.walk(INPUT_DATA)] 50 # sub_dirs中第一个目录是当前目录，即flower_photos，不用考虑 51 is_root_dir = True 52 for sub_dir in sub_dirs: 53 if is_root_dir: 54 is_root_dir = False 55 continue 56 57 # 获取当前目录下所有的有效图片文件 58 extensions = [\'jpg\', \'jpeg\', \'JPG\', \'JPEG\'] 59 file_list = [] 60 # 获取当前文件名 61 dir_name = os.path.basename(sub_dir) 62 for extension in extensions: 63 # 将分离的各部分组成一个路径名,如/flower_photos/roses/*.JPEG 64 file_glob = os.path.join(INPUT_DATA, dir_name, \'*.\'+extension) 65 # glob.glob()返回的是所有路径下的符合条件的文件名的列表 66 file_list.extend(glob.glob(file_glob)) 67 if not file_list: continue 68 69 # 通过目录名获取类别的名称（全部小写） 70 label_name = dir_name.lower() 71 # 初始化当前类别的训练数据集、测试数据集和验证数据集 72 training_images = [] 73 testing_images = [] 74 validation_images = [] 75 for file_name in file_list: 76 base_name = os.path.basename(file_name) #获取当前文件名 77 # 随机将数据分到训练数据集、测试数据集以及验证数据集 78 chance = np.random.randint(100) #随机返回一个整数 79 if chance < validation_percentage: 80 validation_images.append(base_name) 81 elif chance < (testing_percentage + validation_percentage): 82 testing_images.append(base_name) 83 else: 84 training_images.append(base_name) 85 86 # 将当前类别的数据放入结果字典 87 result[label_name] = {\'dir\': dir_name, \'training\': training_images, 88 \'testing\': testing_images, \'validation\': validation_images} 89 return result 90 91 92 # 通过类别名称、所属数据集和图片编号获取一张图片的地址 93 # image_lists为所有图片信息，image_dir给出根目录，label_name为类别名称，index为图片编号，category指定图片是在哪个训练集 94 def get_image_path(image_lists, image_dir, label_name, index, category): 95 # 获取给定类别中所有图片的信息 96 label_lists = image_lists[label_name] 97 # 根据所属数据集的名称获取集合中的全部图片信息 98 category_list = label_lists[category] 99 mod_index = index % len(category_list) 100 # 获取图片的文件名 101 base_name = category_list[mod_index] 102 sub_dir = label_lists[\'dir\'] 103 # 最终的地址为数据根目录的地址加上类别的文件夹加上图片的名称 104 full_path = os.path.join(image_dir, sub_dir, base_name) 105 return full_path 106 107 108 # 通过类别名称、所属数据集和图片编号经过inception-v3处理之后的特征向量文件地址 109 def get_bottleneck_path(image_lists, label_name, index, category): 110 return get_image_path(image_lists, CACHE_DIR, label_name, index, category)+\'.txt\' 111 112 113 # 使用加载的训练好的网络处理一张图片，得到这个图片的特征向量 114 def run_bottleneck_on_image(sess, image_data, image_data_tensor, bottleneck_tensor): 115 # 将当前图片作为输入，计算瓶颈张量的值 116 # 这个张量的值就是这张图片的新的特征向量 117 bottleneck_values = sess.run(bottleneck_tensor, {image_data_tensor: image_data}) 118 # 经过卷积神经网络处理的结果是一个四维数组，需要将这个结果压缩成一个一维数组 119 bottleneck_values = np.squeeze(bottleneck_values) #从数组的形状中删除单维条目 120 return bottleneck_values 121 122 123 # 获取一张图片经过inception-v3模型处理之后的特征向量 124 # 先寻找已经计算并且保存的向量，若找不到则计算然后保存到文件 125 def get_or_create_bottleneck(sess, image_lists, label_name, index, category, 126 jpeg_data_tensor, bottleneck_tensor): 127 # 获取一张图片对应的特征向量文件路径 128 label_lists = image_lists[label_name] 129 sub_dir = label_lists[\'dir\'] 130 sub_dir_path = os.path.join(CACHE_DIR, sub_dir) 131 if not os.path.exists(sub_dir_path): 132 os.makedirs(sub_dir_path) #若不存在则创建 133 bottleneck_path = get_bottleneck_path(image_lists, label_name, index, category) 134 135 # 如果这个特征向量文件不存在，则通过inception-v3计算，并存入文件 136 if not os.path.exists(bottleneck_path): 137 # 获取原始的图片路径 138 image_path = get_image_path(image_lists, INPUT_DATA, label_name, index, category) 139 # 获取图片内容，对图片的读取 140 image_data = gfile.FastGFile(image_path, \'rb\').read() 141 # 通过inception-v3计算特征向量 142 bottleneck_values = run_bottleneck_on_image(sess, image_data, jpeg_data_tensor, bottleneck_tensor) 143 # 将计算得到的特征向量存入文件,join()连接字符串 144 bottleneck_string = \',\'.join(str(x) for x in bottleneck_values) 145 with open(bottleneck_path, \'w\') as bottleneck_file: #打开文件并写入 146 bottleneck_file.write(bottleneck_string) 147 else: 148 # 直接从文件中获取图片相应的特征向量 149 with open(bottleneck_path, \'r\') as bottleneck_file: 150 bottleneck_string = bottleneck_file.read() 151 bottleneck_values = [float(x) for x in bottleneck_string.split(\',\')] 152 # 返回特征向量 153 return bottleneck_values 154 155 156 # 随机选取一个batch的图片作为训练数据 157 def get_random_cached_bottlenecks(sess, n_classes, image_lists, how_many, category, 158 jpeg_data_tensor, bottleneck_tensor): 159 bottlenecks = [] 160 ground_truths = [] 161 for _ in range(how_many): 162 # 随机一个类别和图片的编号加入当前的训练数据 163 label_index = random.randrange(n_classes) # 返回指定递增基数集合中的一个随机数，基数缺省值为1，随机类别号 164 label_name = list(image_lists.keys())[label_index] 165 image_index = random.randrange(65536) 166 bottleneck = get_or_create_bottleneck(sess, image_lists, label_name, image_index, 167 category, jpeg_data_tensor, bottleneck_tensor) 168 ground_truth = np.zeros(n_classes, dtype=np.float32) 169 ground_truth[label_index] = 1.0 170 bottlenecks.append(bottleneck) 171 ground_truths.append(ground_truth) 172 173 return bottlenecks, ground_truths 174 175 176 # 获取全部的测试数据，在最终测试的时候在所有测试数据上计算正确率 177 def get_test_bottlenecks(sess, image_lists, n_classes, jpeg_data_tensor, bottleneck_tensor): 178 bottlenecks = [] 179 ground_truths = [] 180 label_name_list = list(image_lists.keys()) 181 # 枚举所有类别和每个类别中的测试图片 182 for label_index, label_name in enumerate(label_name_list): 183 category = \'testing\' 184 for index, unused_base_name in enumerate(image_lists[label_name][category]): 185 # 通过inception-v3计算图片对应的特征向量，并将其加入最终数据的列表 186 bottleneck = get_or_create_bottleneck(sess, image_lists, label_name, index, category, 187 jpeg_data_tensor, bottleneck_tensor) 188 ground_truth = np.zeros(n_classes, dtype=np.float32) 189 ground_truth[label_index] = 1.0 190 bottlenecks.append(bottleneck) 191 ground_truths.append(ground_truth) 192 return bottlenecks, ground_truths 193 194 195 def main(_): 196 # 读取所有图片 197 image_lists = create_image_lists(TEST_PRECENTAGE, VALIDATION_PRECENTAGE) 198 # image_lists.keys()为dict_keys([\'roses\', \'sunflowers\', \'daisy\', \'dandelion\', \'tulips\']) 199 n_classes = len(image_lists.keys()) # 类别数 200 # 读取已经训练好的inception-v3模型，谷歌训练好的模型保存在了GraphDef Protocol Buffer中 201 # 里面保存了每一个节点取值的计算方法以及变量的取值 202 # 对模型的读取,二进制 203 with gfile.FastGFile(os.path.join(MODEL_DIR, MODEL_FILE), \'rb\') as f: 204 # 新建GraphDef文件,用于临时载入模型中的图 205 graph_def = tf.GraphDef() 206 # 加载模型中的图 207 graph_def.ParseFromString(f.read()) 208 # 加载读取的inception模型，并返回数据输出所对应的张量以及计算瓶颈层结果所对应的张量 209 # 从图上读取张量，同时把图设为默认图 210 # Tensor("import/pool_3/_reshape:0", shape=(1, 2048), dtype=float32) 211 # Tensor("import/DecodeJpeg/contents:0", shape=(), dtype=string) 212 bottleneck_tensor, jpeg_data_tensor = tf.import_graph_def(graph_def, return_elements=[BOTTLENECT_TENSOR_NAME, 213 JPEG_DATA_TENSOR_NAME]) 214 215 # 定义新的神经网络输入，这个输入就是新的图片经过inception模型前向传播达到瓶颈层的节点取值,None为了batch服务 216 bottleneck_input = tf.placeholder(tf.float32, [None, BOTTLENECT_TENSOR_SIZE], 217 name=\'BottleneckInputPlaceholder\') 218 # 定义新的标准答案 219 ground_truth_input = tf.placeholder(tf.float32, [None, n_classes], name=\'GroundTruthInput\') 220 221 # 定义一层全连接层来解决新的图片分类问题 222 with tf.name_scope(\'final_training_ops\'): 223 weights = tf.Variable(tf.truncated_normal([BOTTLENECT_TENSOR_SIZE, n_classes], stddev=0.001)) 224 biases = tf.Variable(tf.zeros([n_classes])) 225 logits = tf.matmul(bottleneck_input, weights) + biases 226 final_tensor = tf.nn.softmax(logits) 227 228 # 定义交叉熵损失函数 229 # tf.nn.softmax中dim默认为-1,即tf.nn.softmax会以最后一个维度作为一维向量计算softmax 230 cross_entropy = tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=ground_truth_input) 231 cross_entropy_mean = tf.reduce_mean(cross_entropy) 232 train_step = tf.train.GradientDescentOptimizer(LEARNING_RATE).minimize(cross_entropy_mean) 233 234 # 计算正确率 235 with tf.name_scope(\'evaluation\'): 236 correct_prediction = tf.equal(tf.argmax(final_tensor, 1), tf.argmax(ground_truth_input, 1)) 237 # 平均错误率，cast将bool值转成float 238 evaluation_step = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) 239 240 with tf.Session() as sess: 241 init = tf.initialize_all_variables() 242 sess.run(init) 243 244 # 训练过程 245 for i in range(STEPS): 246 # 每次获取一个batch的训练数据 247 train_bottlenecks, train_ground_truth = get_random_cached_bottlenecks\ 248 (sess, n_classes, image_lists, BATCH, \'training\', jpeg_data_tensor, bottleneck_tensor) 249 sess.run(train_step, feed_dict={bottleneck_input: train_bottlenecks, 250 ground_truth_input: train_ground_truth}) 251 252 # 在验证数据上测试正确率 253 if i % 100 == 0 or i+1 == STEPS: 254 validation_bottlenecks, validation_ground_truth = \ 255 get_random_cached_bottlenecks(sess, n_classes, image_lists, BATCH, 256 \'validation\', jpeg_data_tensor, bottleneck_tensor) 257 validation_accuracy = sess.run(evaluation_step, 258 feed_dict={bottleneck_input: validation_bottlenecks, 259 ground_truth_input: validation_ground_truth}) 260 print(\'Step %d :Validation accuracy on random sampled %d examples = %.1f%%\' % 261 (i, BATCH, validation_accuracy*100)) 262 263 # 在最后的测试数据上测试正确率 264 test_bottlenecks, test_ground_truth = get_test_bottlenecks(sess, image_lists, n_classes, 265 jpeg_data_tensor, bottleneck_tensor) 266 test_accuracy = sess.run(evaluation_step, feed_dict={bottleneck_input: test_bottlenecks, 267 ground_truth_input: test_ground_truth}) 268 print(\'Final test accuracy = %.1f%%\' % (test_accuracy*100)) 269 270 271 if __name__ == \'__main__\': 272 tf.app.run()