利用Tensorflow实现VGG16及训练自己的数据

最新推荐文章于 2025-06-30 07:53:59 发布

原创

最新推荐文章于 2025-06-30 07:53:59 发布 · 3.8w 阅读

245 ·

CC 4.0 BY-SA版权

本文介绍了如何使用Tensorflow实现VGG16网络结构，通过17flowers数据集进行训练和测试。详细过程包括数据集制作、创建tfrecord格式数据、训练过程及测试步骤。在训练中注意了学习率和dropout概率的选择对模型性能的影响，并分享了遇到的问题及解决思路。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

参考：《Tensorflow实战》《Tensorflow 实战Google深度学习框架》

https://blog.youkuaiyun.com/sinat_16823063/article/details/53946549

https://blog.youkuaiyun.com/yaoqi_isee/article/details/77526497

https://blog.youkuaiyun.com/u012759136/article/details/52232266

学习Tensorflow，拿VGG16练练手，没有其他骚操作，只有数据集制作，训练及测试。

训练数据-17flowers，百度网盘链接: https://pan.baidu.com/s/1CXcCgC8Ch5Hdmkgde9yAww 密码: 3nc4

VGG16.npy，百度网盘链接: https://pan.baidu.com/s/1eUlM3ia 密码: 4wvq

Github地址

一、网络结构，VGG16.py

#coding=utf-8

import tensorflow as tf
import numpy as np 

# 加载预训练模型
data_dict = np.load('./vgg16.npy', encoding='latin1').item()

# 打印每层信息
def print_layer(t):
    print t.op.name, ' ', t.get_shape().as_list(), '\n'

# 定义卷积层
"""
此处权重初始化定义了3种方式：
    1.预训练模型参数
    2.截尾正态，参考书上采用该方式
    3.xavier，网上blog有采用该方式
通过参数finetrun和xavier控制选择哪种方式，有兴趣的可以都试试
"""
def conv(x, d_out, name, fineturn=False, xavier=False):
    d_in = x.get_shape()[-1].value
    with tf.name_scope(name) as scope:
        # Fine-tuning 
        if fineturn:
            kernel = tf.constant(data_dict[name][0], name="weights")
            bias = tf.constant(data_dict[name][1], name="bias")
            print "fineturn"
        elif not xavier:
            kernel = tf.Variable(tf.truncated_normal([3, 3, d_in, d_out], stddev=0.1), name='weights')
            bias = tf.Variable(tf.constant(0.0, dtype=tf.float32, shape=[d_out]),
                                                trainable=True, 
                                                name='bias')
            print "truncated_normal"
        else:
            kernel = tf.get_variable(scope+'weights', shape=[3, 3, d_in, d_out], 
                                                dtype=tf.float32,
                                                initializer=tf.contrib.layers.xavier_initializer_conv2d())
            bias = tf.Variable(tf.constant(0.0, dtype=tf.float32, shape=[d_out]),
                                                trainable=True, 
                                                name='bias')
            print "xa