手把手教你用tensorflow-hub做图像分类（自己的训练数据集）

很多人入门tensorflow时，都会做mnist，cifar10的分类实例，但无法用自己的训练集做分类，本教程用tfhub工具完成图像分类的训练和测试。

1. 安装tensorflow和tfhub

$ pip install "tensorflow>=1.7.0"
$ pip install tensorflow-hub

你需要安装最新的tensorflow 1.7版本，并安装hub，因为hub要求tensorflow版本高于1.7。

2.训练需要的tensorflow-hub模型

该模块实际上是一个保存的模型。它包含预先训练的权重和图形。它是可重复使用的，可重新加工的。它将算法以图形和权重的形式进行打包。

您可以找到所有新发布的图像模块的列表。 其中一些包括分类层，其中一些删除它们只是提供一个特征向量作为输出。我们将选择一个特征向量模块Inception V1。

3.创建你自己的训练数据集

在开始训练之前，您需要把每一类的图片分别存在不同的文件夹中。为了使训练更好地工作，您应该至少收集您想要识别的每个类别的一百张照片。

整理training set

您有一个包含类名子文件夹的文件夹，每个文件夹中的每个文件夹都有完整的图像。 示例文件夹水果应该有这样的结构：

以下是文件夹结构：

~/fruits/apple/photo1.jpg
~/fruits/orange/photo2.jpg
...
~/fruits/banana/photo77.jpg
...
~/fruits/apple/someone.jpg

4.开始训练

用我们自己的数据集去训练hub的module，最后能得到graph和txt。

python retrain.py --image_dir your data_dir \
--saved_model_dir your saved_model_dir \
--bottleneck_dir your bottleneck_dir \
--how_many_training_steps 4000 \
--output_labels output/output_labels.txt \
--output_graph output/retrain_graph.pb

该脚本加载预先训练的模块并在水果照片上retrain一个新的分类器。您可以用任何包含子文件夹的文件夹替换image_dir参数

图片。 每个图像的标签都取自它所在的子文件夹的名称。

5.使用tensorboard观察

我们可以将图表和统计数据可视化，例如训练期间权重或准确度如何变化。

在训练期间或之后运行tensorboard命令。