tensorflow迁移学习：VGG16花朵分类

转自：https://blog.csdn.net/weixin_41770169/article/details/80330581

github地址：https://github.com/1269215860/vgg16_flowers.git

其实上面的文章已经写的很详细了，但是还有一点小小的问题，通过参考其他的代码，将其进行补充，这样完整的程序就可以运行了。

下面我就主要说说进行补充的地方：

补充1：

如果按照原文章的步骤一步步进行，在进行到这步的时候，会有报错，会提示找不到labels和codes文件，原因是我们在运行上一步的代码没有对其进行保存。

# read codes and labels from file
import csv with open('labels') as f:reader = csv.reader(f, delimiter='\n')labels = np.array([each for each in reader if len(each) > 0]).squeeze()
with open('codes') as f:codes = np.fromfile(f, dtype=np.float32)codes = codes.reshape((len(labels), -1))

我们只需要在这段上面的代码处，对输出的labels和codes文件进行保存处理即可。如下所示：

#将图像批量batches通过VGG模型，将输出作为新的输入：
# Set the batch size higher if you can fit in in your GPU memory
batch_size = 10
codes_list = []
labels = []
batch = []codes = Nonewith tf.Session() as sess: vgg = vgg16.Vgg16()input_ = tf.placeholder(tf.float32, [None, 224, 224, 3])with tf.name_scope("content_vgg"):vgg.build(input_)for each in classes:print("Starting {} images".format(each))class_path = data_dir + eachfiles = os.listdir(class_path)for ii, file in enumerate(files, 1):# Add images to the current batch# utils.load_image crops the input images for us, from the centerimg = utils.load_image(os.path.join(class_path, file))batch.append(img.reshape((1, 224, 224, 3)))labels.append(each)# Running the batch through the network to get the codesif ii % batch_size == 0 or ii == len(files):images = np.concatenate(batch)feed_dict = {input_: images}codes_batch = sess.run(vgg.relu6, feed_dict=feed_dict)# Here I'm building an array of the codesif codes is None:codes = codes_batchelse:codes = np.concatenate((codes, codes_batch))# Reset to start building the next batchbatch = []print('{} images processed'.format(ii))#这里就是添加的保存的代码#这样我们就可以得到一个 codes 数组，和一个 labels 数组，分别存储了所有花朵的特征值和类别。with open('codes', 'w') as f:codes.tofile(f)import csvwith open('labels', 'w') as f:writer = csv.writer(f, delimiter='\n')writer.writerow(labels)

接下来就会在文件所在的目录内自动生成labels和codes文件,然后继续原文章的步骤进行就可以实现最后的结果。

补充2：

文章结尾处，作者是以柱状图的形式来展示预测结果的，现在我们以只显示概率和品种的形式来展示结果。jin

#将数组转换为list
predic_list = prediction.tolist()
print(type(predic_list))
index = predic_list.index(max(predic_list))
print(lb.classes_[index]+":"+str(max(predic_list)))

这样就可以满足部分同学对概率显示预测结果的需求啦。

今天第一次写，以后会继续坚持，加油。

tensorflow迁移学习：VGG16花朵分类相关推荐

【美团云】TensorFlow 迁移学习识花实战案例（Transfer Learning）
TensorFlow 迁移学习识花实战案例(Transfer Learning) TensorFlow 迁移学习识花实战案例什么是迁移学习为什么要使用迁移学习识花模型中迁移学习的思路 VGG模型 ...
迁移学习后续——中草药分类(之简单学习代码编程过程)
文章目录特征提取代码训练测试代码全连接层模型保存代码图片预测展示简易迁移学习代码(万金油代码) 此代码是对上篇代码编写的一个简单的心路历程以及代码.模型,数据集与上篇一致没有变,这边用了五个 ...
Tensorflow迁移学习判定图片中人物打电话-李豪-专题视频课程
Tensorflow迁移学习判定图片中人物打电话-1095人已学习课程介绍带大家从应用Tensorflow的迁移学习技术来做图片分类,实现判定图片中人物是否打电话 .课程中带大家在 ...
基于深度迁移学习进行时间序列分类
在碎片化阅读充斥眼球的时代,越来越少的人会去关注每篇论文背后的探索和思考. 在这个栏目里,你会快速 get 每篇精选论文的亮点和痛点,时刻紧跟 AI 前沿成果. 点击本文底部的「阅读原文」即刻加入社区 ...
婴儿哭声分类识别实现（准确率99.3%）（深度学习、迁移学习、音频分类、tensorflow）
一.项目概述本文是婴儿哭声分类识别系统化的主体部分,主要解决智能音频分类的问题.基于此目标,本文查找了大量资料,并做了大量实验,最后获得了一个婴儿哭声分类识别准确率相对较高的深度学习模型--迁移学习 ...
TensorFlow迁移学习的识别花试验
最近学习了TensorFlow,发现一个模型叫vgg16,然后搭建环境跑了一下,觉得十分神奇,而且准确率十分的高.又上了一节选修课,关于人工智能,老师让做一个关于人工智能的试验,于是觉得vgg16很不 ...
tensorflow 迁移学习_基于 TensorFlow.js 1.5 的迁移学习图像分类器
在黑胡桃社区的体验案例中,有一个"人工智能教练",它其实是一个自定义的图像分类器.使用 TensorFlow.js 这个强大而灵活的 Javascript 机器学习库可以很轻松地构 ...
ML.NET 示例：图像分类模型训练-首选API（基于原生TensorFlow迁移学习）
ML.NET 版本 API 类型状态应用程序类型数据类型场景机器学习任务算法 Microsoft.ML 1.5.0 动态API 最新控制台应用程序和Web应用程序图片文件图像分类基 ...
【学习笔记】pytorch迁移学习-猫狗分类实战
1.迁移学习入门什么是迁移学习:在深度神经网络算法的引用过程中,如果我们面对的是数据规模较大的问题,那么在搭建好深度神经网络模型后,我们势必要花费大量的算力和时间去训练模型和优化参数,最后耗费了这么 ...
Tensorflow迁移学习实现猫狗大战
前言:本人初涉深度学习,水平十分有限,文章错谬之处敬请告知,不胜感激.同时希望同道之人多多交流. 文章目录一.项目概述 1. 项目介绍 2. 评价指标二.项目分析 1. 数据的探索 2. 图片尺寸 ...

tensorflow迁移学习：VGG16花朵分类

tensorflow迁移学习：VGG16花朵分类相关推荐

最新文章

热门文章