用tensorflow实现多层神经网络（使用自己的数据集训练MobileNet）

作者 | pan_jinquan来源 | CSDN博文精选，我来为大家科普一下关于用tensorflow实现多层神经网络?下面希望有你要的答案，我们一起来看看吧!

用tensorflow实现多层神经网络

作者 | pan_jinquan

来源 | CSDN博文精选

之前写了一篇博客《使用自己的数据集训练GoogLenet InceptionNet V1 V2 V3模型（tensorflow）》https://panjinquan.blog.csdn.net/article/details/81560537，本博客就是此博客的框架基础上，完成对MobileNet的图像分类模型的训练，其相关项目的代码也会统一更新到一个Github中，强烈建议先看这篇博客《使用自己的数据集训练GoogLenet InceptionNet V1 V2 V3模型（TensorFlow）》后，再来看这篇博客。

TensorFlow官网中使用高级API -slim实现了很多常用的模型，如VGG，GoogLenet V1、V2和V3以及MobileNet、resnet模型，可详看这里https://github.com/tensorflow/models/tree/master/research/slim，当然TensorFlow官网也提供了训练这些模型的脚本文件，但灵活性太差了，要想增加log或者其他信息，真的很麻烦。

本人花了很多时间，去搭建一个较为通用的模型训练框架《tensorflow_models_nets》，目前几乎可以支持所有模型的训练，由于训练过程是自己构建的，所以你可以在此基础上进行任意的修改，也可以搭建自己的训练模型。

重要说明：

（1）项目Github源码：https://github.com/PanJinquan/tensorflow_models_learning，麻烦给个“Star”

（2）你需要一台显卡不错的服务器，不然会卡的一比，慢到花都谢了

（3）对于MobileNet、resnet等大型的网络模型，重头开始训练，是很难收敛的。但迁移学习finetune部分我还没有实现，大神要是现实了，分享一下哈。

（4）注意训练mobilenet时，在迭代10000次以前，loss和准确率几乎不会提高。一开始我以为是训练代码写错了，后来寻思了很久，才发现是模型太复杂了，所以收敛慢的一比，大概20000次迭代后，准确率才开始蹭蹭的往上长,迭代十万次后准确率才70%。

目录

使用自己的数据集训练MobileNet图像识别（TensorFlow）

1、项目文件结构说明

2、MobileNet的网络：

3、图片数据集

4、制作tfrecords数据格式

5、MobileNet模型

6、训练方法实现过程

7、模型预测

8、其他模型训练方法

1、项目文件结构说明

tensorflow_models_nets：

|__dataset #数据文件

|__record #里面存放record文件

|__train #train原始图片

|__val #val原始图片

|__models #保存训练的模型

|__slim #这个是拷贝自slim模块：https://github.com/tensorflow/models/tree/master/research/slim

|__test_image #存放测试的图片

|__create_labels_files.py #制作trian和val TXT的文件

|__create_tf_record.py #制作tfrecord文件

|__inception_v1_train_val.py #inception V1的训练文件

|__inception_v3_train_val.py # inception V3训练文件

|__mobilenet_train_val.py#mobilenet训练文件

|__resnet_v1_train_val.py#resnet训练文件

|__predict.py # 模型预测文件

2、MobileNet的网络

关于MobileNet模型，请详看这篇博客《轻量级网络--MobileNet论文解读》https://blog.csdn.net/u011974639/article/details/79199306 ，本博客不会纠结于模型原理和论文，主要分享的是用自己的数据集去训练MobileNet的方法。

3、图片数据集

下面是我下载的数据集，共有五类图片，分别是：flower、guitar、animal、houses和plane，每组数据集大概有800张左右。为了照顾网友，下面的数据集，都已经放在Github项目的文件夹dataset上了，不需要你下载了，记得给个“star”哈~

animal：http://www.robots.ox.ac.uk/~vgg/data/pets/

flower：http://www.robots.ox.ac.uk/~vgg/data/flowers/

plane：http://www.robots.ox.ac.uk/~vgg/data/airplanes_side/airplanes_side.tar

house：http://www.robots.ox.ac.uk/~vgg/data/houses/houses.tar

guitar：http://www.robots.ox.ac.uk/~vgg/data/guitars/guitars.tar

下载图片数据集后，需要划分为train和val数据集，前者用于训练模型的数据，后者主要用于验证模型。这里提供一个create_labels_files.py脚本，可以直接生成训练train和验证val的数据集txt文件。

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

"""

@Project: googlenet_classification

@File : create_labels_files.py

@Author : panjq

@E-mail : pan_jinquan@163.com

@Date : 2018-08-11 10:15:28

"""

import os

import os.path

def write_txt(content, filename, mode='w'):

"""保存txt数据

:param content:需要保存的数据,type->list

:param filename:文件名

:param mode:读写模式:'w' or 'a'

:return: void

"""

with open(filename, mode) as f:

for line in content:

str_line = ""

for col, data in enumerate(line):

if not col == len(line) - 1:

# 以空格作为分隔符

str_line = str_line str(data) " "

else:

# 每行最后一个数据用换行符“\n”

str_line = str_line str(data) "\n"

f.write(str_line)

def get_files_list(dir):

'''

实现遍历dir目录下,所有文件(包含子文件夹的文件)

:param dir:指定文件夹目录

:return:包含所有文件的列表->list

'''

# parent:父目录, filenames:该目录下所有文件夹,filenames:该目录下的文件名

files_list =

for parent, dirnames, filenames in os.walk(dir):

for filename in filenames:

# print("parent is: " parent)

# print("filename is: " filename)

# print(os.path.join(parent, filename)) # 输出rootdir路径下所有文件（包含子文件）信息

curr_file=parent.split(os.sep)[-1]

if curr_file=='flower':

labels=0

elif curr_file=='guitar':

labels=1

elif curr_file=='animal':

labels=2

elif curr_file=='houses':

labels=3

elif curr_file=='plane':

labels=4

files_list.append([os.path.join(curr_file, filename),labels])

return files_list

if __name__ == '__main__':

train_dir = 'dataset/train'

train_txt='dataset/train.txt'

train_data = get_files_list(train_dir)

write_txt(train_data,train_txt,mode='w')

val_dir = 'dataset/val'

val_txt='dataset/val.txt'

val_data = get_files_list(val_dir)

write_txt(val_data,val_txt,mode='w')

注意，上面Python代码，已经定义每组图片对应的标签labels：

flower ->labels=0

guitar ->labels=1

animal ->labels=2

houses ->labels=3

plane ->labels=4

4、制作tfrecords数据格式

有了 train.txt和val.txt数据集，我们就可以制作train.tfrecords和val.tfrecords文件了，项目提供一个用于制作tfrecords数据格式的Python文件：create_tf_record.py，鄙人已经把代码放在另一篇博客：《Tensorflow生成自己的图片数据集TFrecords》https://blog.csdn.net/guyuealian/article/details/80857228 ，代码有详细注释了，所以这里不贴出来了.

注意：

（1）create_tf_record.py将train和val数据分别保存为单个record文件，当图片数据很多时候，会导致单个record文件超级巨大的情况，解决方法就是，将数据分成多个record文件保存，读取时，只需要将多个record文件的路径列表交给“tf.train.string_input_producer”即可。

（2）如何将数据保存为多个record文件呢？请参考鄙人的博客：《Tensorflow生成自己的图片数据集TFrecords》https://blog.csdn.net/guyuealian/article/details/80857228

为了方便大家，项目以及适配了“create_tf_record.py”文件，dataset已经包含了训练和测试的图片，请直接运行create_tf_record.py即可生成tfrecords文件。

对于InceptionNet V1:设置resize_height和resize_width = 224对于InceptionNet V3:设置resize_height和resize_width = 299

其他模型，请根据输入需要设置resize_height和resize_width的大小

if __name__ == '__main__':

# 参数设置

resize_height = 224 # 指定存储图片高度

resize_width = 224 # 指定存储图片宽度

shuffle=True

log=5

# 产生train.record文件

image_dir='dataset/train'

train_labels = 'dataset/train.txt' # 图片路径

train_record_output = 'dataset/record/train{}.tfrecords'.format(resize_height)

create_records(image_dir,train_labels, train_record_output, resize_height, resize_width,shuffle,log)

train_nums=get_example_nums(train_record_output)

print("save train example nums={}".format(train_nums))

# 产生val.record文件

image_dir='dataset/val'

val_labels = 'dataset/val.txt' # 图片路径

val_record_output = 'dataset/record/val{}.tfrecords'.format(resize_height)

create_records(image_dir,val_labels, val_record_output, resize_height, resize_width,shuffle,log)

val_nums=get_example_nums(val_record_output)

print("save val example nums={}".format(val_nums))

# 测试显示函数

# disp_records(train_record_output,resize_height, resize_width)

batch_test(train_record_output,resize_height, resize_width)

create_tf_record.py提供几个重要的函数：

create_records：用于制作records数据的函数，

read_records：用于读取records数据的函数,

get_batch_images:用于生成批训练数据的函数

get_example_nums：统计tf_records图像的个数(example个数)

disp_records: 解析record文件，并显示图片，主要用于验证生成record文件是否成功

5、MobileNet模型

官网TensorFlow已经提供了使用TF-slim实现的MobileNet模型。

（1）官网模型地址：https://github.com/tensorflow/models/tree/master/research/slim/nets

（2）slim/nets下的模型都是用TF-slim实现的网络结构，关系TF-slim的用法，可参考：

《tensorflow中slim模块api介绍》：https://blog.csdn.net/guvcolie/article/details/77686555

6、训练方法实现过程

训练文件源码已经给了较为详细的注释，不明白请在评论区留言吧

#coding=utf-8

import tensorflow as tf

import numpy as np

import pdb

import os

from datetime import datetime

import slim.nets.mobilenet_v1 as mobilenet_v1

from create_tf_record import *

import tensorflow.contrib.slim as slim

'''

参考资料：https://www.cnblogs.com/adong7639/p/7942384.html

'''

labels_nums = 5 # 类别个数

batch_size = 16 #

resize_height = 224 # mobilenet_v1.default_image_size 指定存储图片高度

resize_width = 224 # mobilenet_v1.default_image_size 指定存储图片宽度

depths = 3

data_shape = [batch_size, resize_height, resize_width, depths]

# 定义input_images为图片数据

input_images = tf.placeholder(dtype=tf.float32, shape=[None, resize_height, resize_width, depths], name='input')

# 定义input_labels为labels数据

# input_labels = tf.placeholder(dtype=tf.int32, shape=[None], name='label')

input_labels = tf.placeholder(dtype=tf.int32, shape=[None, labels_nums], name='label')

# 定义dropout的概率

keep_prob = tf.placeholder(tf.float32,name='keep_prob')

is_training = tf.placeholder(tf.bool, name='is_training')

def net_evaluation(sess,loss,accuracy,val_images_batch,val_labels_batch,val_nums):

val_max_steps = int(val_nums / batch_size)

val_losses =

val_accs =

for _ in range(val_max_steps):

val_x, val_y = sess.run([val_images_batch, val_labels_batch])

# print('labels:',val_y)

# val_loss = sess.run(loss, feed_dict={x: val_x, y: val_y, keep_prob: 1.0})

# val_acc = sess.run(accuracy,feed_dict={x: val_x, y: val_y, keep_prob: 1.0})

val_loss,val_acc = sess.run([loss,accuracy], feed_dict={input_images: val_x, input_labels: val_y, keep_prob:1.0, is_training: False})

val_losses.append(val_loss)

val_accs.append(val_acc)

mean_loss = np.array(val_losses, dtype=np.float32).mean

mean_acc = np.array(val_accs, dtype=np.float32).mean

return mean_loss, mean_acc

def step_train(train_op,loss,accuracy,

train_images_batch,train_labels_batch,train_nums,train_log_step,

val_images_batch,val_labels_batch,val_nums,val_log_step,

snapshot_prefix,snapshot):

'''

循环迭代训练过程

:param train_op: 训练op

:param loss: loss函数

:param accuracy: 准确率函数

:param train_images_batch: 训练images数据

:param train_labels_batch: 训练labels数据

:param train_nums: 总训练数据

:param train_log_step: 训练log显示间隔

:param val_images_batch: 验证images数据

:param val_labels_batch: 验证labels数据

:param val_nums: 总验证数据

:param val_log_step: 验证log显示间隔

:param snapshot_prefix: 模型保存的路径

:param snapshot: 模型保存间隔

:return: None

'''

saver = tf.train.Saver(max_to_keep=5)

max_acc = 0.0

with tf.Session as sess:

sess.run(tf.global_variables_initializer)

sess.run(tf.local_variables_initializer)

coord = tf.train.Coordinator

threads = tf.train.start_queue_runners(sess=sess, coord=coord)

for i in range(max_steps 1):

batch_input_images, batch_input_labels = sess.run([train_images_batch, train_labels_batch])

_, train_loss = sess.run([train_op, loss], feed_dict={input_images: batch_input_images,

input_labels: batch_input_labels,

keep_prob: 0.8, is_training: True})

# train测试(这里仅测试训练集的一个batch)

if i % train_log_step == 0:

train_acc = sess.run(accuracy, feed_dict={input_images: batch_input_images,

input_labels: batch_input_labels,

keep_prob: 1.0, is_training: False})

print("%s: Step [%d] train Loss : %f, training accuracy : %g" % (

datetime.now, i, train_loss, train_acc))

# val测试(测试全部val数据)

if i % val_log_step == 0:

mean_loss, mean_acc = net_evaluation(sess, loss, accuracy, val_images_batch, val_labels_batch, val_nums)

print("%s: Step [%d] val Loss : %f, val accuracy : %g" % (datetime.now, i, mean_loss, mean_acc))

# 模型保存:每迭代snapshot次或者最后一次保存模型

if (i % snapshot == 0 and i > 0) or i == max_steps:

print('-----save:{}-{}'.format(snapshot_prefix, i))

saver.save(sess, snapshot_prefix, global_step=i)

# 保存val准确率最高的模型

if mean_acc > max_acc and mean_acc > 0.7:

max_acc = mean_acc

path = os.path.dirname(snapshot_prefix)

best_models = os.path.join(path, 'best_models_{}_{:.4f}.ckpt'.format(i, max_acc))

print('------save:{}'.format(best_models))

saver.save(sess, best_models)

coord.request_stop

coord.join(threads)

def train(train_record_file,

train_log_step,

train_param,

val_record_file,

val_log_step,

labels_nums,

data_shape,

snapshot,

snapshot_prefix):

'''

:param train_record_file: 训练的tfrecord文件

:param train_log_step: 显示训练过程log信息间隔

:param train_param: train参数

:param val_record_file: 验证的tfrecord文件

:param val_log_step: 显示验证过程log信息间隔

:param val_param: val参数

:param labels_nums: labels数

:param data_shape: 输入数据shape

:param snapshot: 保存模型间隔

:param snapshot_prefix: 保存模型文件的前缀名

:return:

'''

[base_lr,max_steps]=train_param

[batch_size,resize_height,resize_width,depths]=data_shape

# 获得训练和测试的样本数

train_nums=get_example_nums(train_record_file)

val_nums=get_example_nums(val_record_file)

print('train nums:%d,val nums:%d'%(train_nums,val_nums))

# 从record中读取图片和labels数据

# train数据,训练数据一般要求打乱顺序shuffle=True

train_images, train_labels = read_records(train_record_file, resize_height, resize_width, type='normalization')

train_images_batch, train_labels_batch = get_batch_images(train_images, train_labels,

batch_size=batch_size, labels_nums=labels_nums,

one_hot=True, shuffle=True)

# val数据,验证数据可以不需要打乱数据

val_images, val_labels = read_records(val_record_file, resize_height, resize_width, type='normalization')

val_images_batch, val_labels_batch = get_batch_images(val_images, val_labels,

batch_size=batch_size, labels_nums=labels_nums,

one_hot=True, shuffle=False)

# Define the model:

with slim.arg_scope(mobilenet_v1.mobilenet_v1_arg_scope):

out, end_points = mobilenet_v1.mobilenet_v1(inputs=input_images, num_classes=labels_nums,

dropout_keep_prob=keep_prob, is_training=is_training,

global_pool=True)

# Specify the loss function: tf.losses定义的loss函数都会自动添加到loss函数,不需要add_loss了

tf.losses.softmax_cross_entropy(onehot_labels=input_labels, logits=out) # 添加交叉熵损失loss=1.6

# slim.losses.add_loss(my_loss)

loss = tf.losses.get_total_loss(add_regularization_losses=True) # 添加正则化损失loss=2.2

# Specify the optimization scheme:

# 在定义训练的时候, 注意到我们使用了`batch_norm`层时,需要更新每一层的`average`和`variance`参数,

# 更新的过程不包含在正常的训练过程中, 需要我们去手动像下面这样更新

# 通过`tf.get_collection`获得所有需要更新的`op`

update_ops = tf.get_collection(tf.GraphKeys.UPDATE_OPS)

# 使用`tensorflow`的控制流, 先执行更新算子, 再执行训练

with tf.control_dependencies(update_ops):

print("update_ops:{}".format(update_ops))

# create_train_op that ensures that when we evaluate it to get the loss,

# the update_ops are done and the gradient updates are computed.

# train_op = tf.train.MomentumOptimizer(learning_rate=base_lr, momentum=0.9).minimize(loss)

train_op = tf.train.AdadeltaOptimizer(learning_rate=base_lr).minimize(loss)

accuracy = tf.reduce_mean(tf.cast(tf.equal(tf.argmax(out, 1), tf.argmax(input_labels, 1)), tf.float32))

# 循环迭代过程

step_train(train_op=train_op, loss=loss, accuracy=accuracy,

train_images_batch=train_images_batch,

train_labels_batch=train_labels_batch,

train_nums=train_nums,

train_log_step=train_log_step,

val_images_batch=val_images_batch,

val_labels_batch=val_labels_batch,

val_nums=val_nums,

val_log_step=val_log_step,

snapshot_prefix=snapshot_prefix,

snapshot=snapshot)

if __name__ == '__main__':

train_record_file='dataset/record/train224.tfrecords'

val_record_file='dataset/record/val224.tfrecords'

train_log_step=100

base_lr = 0.001 # 学习率

# 重头开始训练的话，mobilenet收敛慢的一比，大概20000次迭代后，准确率开始蹭蹭的往上长,迭代十万次后准确率才70%

max_steps = 100000 # 迭代次数

train_param=[base_lr,max_steps]

val_log_step=500

snapshot=2000#保存文件间隔

snapshot_prefix='models/model.ckpt'

train(train_record_file=train_record_file,

train_log_step=train_log_step,

train_param=train_param,

val_record_file=val_record_file,

val_log_step=val_log_step,

labels_nums=labels_nums,

data_shape=data_shape,

snapshot=snapshot,

snapshot_prefix=snapshot_prefix)

7、模型预测

模型预测，项目只提供一个predict.py，实质上，你只需要稍微改改，就可以预测其他模型

#coding=utf-8

import tensorflow as tf

import numpy as np

import pdb

import cv2

import os

import glob

import slim.nets.inception_v3 as inception_v3

from create_tf_record import *

import tensorflow.contrib.slim as slim

def predict(models_path,image_dir,labels_filename,labels_nums, data_format):

[batch_size, resize_height, resize_width, depths] = data_format

labels = np.loadtxt(labels_filename, str, delimiter='\t')

input_images = tf.placeholder(dtype=tf.float32, shape=[None, resize_height, resize_width, depths], name='input')

#其他模型预测请修改这里

with slim.arg_scope(inception_v3.inception_v3_arg_scope):

out, end_points = inception_v3.inception_v3(inputs=input_images, num_classes=labels_nums, dropout_keep_prob=1.0, is_training=False)

# 将输出结果进行softmax分布,再求最大概率所属类别

score = tf.nn.softmax(out,name='pre')

class_id = tf.argmax(score, 1)

sess = tf.InteractiveSession

sess.run(tf.global_variables_initializer)

saver = tf.train.Saver

saver.restore(sess, models_path)

images_list=glob.glob(os.path.join(image_dir,'*.jpg'))

for image_path in images_list:

im=read_image(image_path,resize_height,resize_width,normalization=True)

im=im[np.newaxis,:]

#pred = sess.run(f_cls, feed_dict={x:im, keep_prob:1.0})

pre_score,pre_label = sess.run([score,class_id], feed_dict={input_images:im})

max_score=pre_score[0,pre_label]

print("{} is: pre labels:{},name:{} score: {}".format(image_path,pre_label,labels[pre_label], max_score))

sess.close

if __name__ == '__main__':

class_nums=5

image_dir='test_image'

labels_filename='dataset/label.txt'

models_path='models/model.ckpt-10000'

batch_size = 1 #

resize_height = 299 # 指定存储图片高度

resize_width = 299 # 指定存储图片宽度

depths=3

data_format=[batch_size,resize_height,resize_width,depths]

predict(models_path,image_dir, labels_filename, class_nums, data_format)

8、其他模型训练方法

上面的程序是训练MobileNet的完整过程，实质上，稍微改改就可以支持训练 inception V1，V2和resnet 啦，改动方法也很简单，以 MobileNe训练代码改为resnet_v1模型为例：

（1）import 改为：

# 将

import slim.nets.mobilenet_v1 as mobilenet_v1

# 改为

import slim.nets.resnet_v1 as resnet_v1

（2）record数据

制作record数据时，需要根据模型输入设置：

resize_height = 224 # 指定存储图片高度

resize_width = 224 # 指定存储图片宽度

（3）定义模型和默认参数修改：

# 将

# Define the model:

with slim.arg_scope(mobilenet_v1.mobilenet_v1_arg_scope):

out, end_points = mobilenet_v1.mobilenet_v1(inputs=input_images, num_classes=labels_nums,

dropout_keep_prob=keep_prob, is_training=is_training,

global_pool=True)

# 改为

# Define the model:

with slim.arg_scope(resnet_v1.resnet_arg_scope):

out, end_points = resnet_v1.resnet_v1_101(inputs=input_images, num_classes=labels_nums, is_training=is_training,global_pool=True)

（4）修改优化方案

对于大型的网络模型，重头开始训练，是很难收敛的。训练mobilenet时，在迭代10000次以前，loss和准确率几乎不会提高。一开始我以为是训练代码写错了，后来寻思了很久，才发现是模型太复杂了，所以收敛慢的一比，大概20000次迭代后，准确率才开始蹭蹭的往上长,迭代十万次后准确率才70%，若训练过程发现不收敛，请尝试修改：

1、等！！！！至少你要迭代50000次，才能说你的模型不收敛！

2、增大或减小学习率参数：base_lr（个人经验：模型越深越复杂时，学习率越小）

3、改变优化方案：如使用MomentumOptimizer或者AdadeltaOptimizer等优化方法

4、是否有设置默认的模型参数：如slim.arg_scope(inception_v1.inception_v1_arg_scope)

……最后，就可以Train了！是的，就是那么简单~

技术的道路一个人走着极为艰难？

一身的本领得不施展？

优质的文章得不到曝光？

,