文件列表:

VGG16.py (4962, 2018-07-26)
VGG16.pyc (3948, 2018-07-26)
create_tfrecords.py (1610, 2018-07-26)
model (0, 2018-07-26)
model\checkpoint (87, 2018-07-26)
test.py (1159, 2018-07-26)
test (0, 2018-07-26)
test\0-image_0003.jpg (47305, 2018-07-26)
test\1-image_0102.jpg (22541, 2018-07-26)
test\10-image_0810.jpg (40253, 2018-07-26)
test\11-image_0884.jpg (39955, 2018-07-26)
test\15-image_1207.jpg (25608, 2018-07-26)
test\16-image_1311.jpg (37890, 2018-07-26)
test\3-image_0241.jpg (29869, 2018-07-26)
test\8-image_0645.jpg (38657, 2018-07-26)
train.py (3293, 2018-07-26)

# VGGNet_TF ###### 利用Tensorflow简单实现VGGNet,从数据集制作到训练完成测试 参考:《Tensorflow实战》《Tensorflow 实战Google深度学习框架》 https://blog.csdn.net/sinat_16823063/article/details/53946549 https://blog.csdn.net/yaoqi_isee/article/details/7752***97 https://blog.csdn.net/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 * create_tfrecords.py为生成tfrecords数据脚本 * VGG16.py为网络结构定义文件 * train.py为训练脚本 * test.py为测试脚本 ##### 制作tfrecord数据文件 1. 下载17flowers数据集,解压到目录下 ``` VGGNet |__ 17flowers |__ 0 |__ xxx.JPEG |__ 1 |__ xxx.JPEG |__ 2 |__ xxx.JPEG ``` 2. 执行create_tfrecords.py脚本,会在根目录下生成train.tfrecords文件,也可在脚本中指定生成路径 ##### 训练自己的数据 1. 修改脚本中,模型保存位置及tfrecord数据所在路径,执行train.py脚本即可训练 2. 训练完成后生成模型文件,执行test.py脚本即可进行测试 3. test文件夹中的图片名字前面数字即为所属类别 网络结构,VGG16.py 卷积和全连接权重初始化定义了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 "xavier" conv = tf.nn.conv2d(x, kernel,[1, 1, 1, 1], padding='SAME') activation = tf.nn.relu(conv + bias, name=scope) print_layer(activation) return activation ``` 训练的时候loss有不收敛的情况,可以适当的调整学习率。 kee_prob设置为0.5的时候,虽然loss下降到很低,但是测试的效果很差,因为这个纠结了好久。后来改为0.8感觉还可以,可能是因为数据集太少的原因。 神经网络中的超参数各有各的作用,写完网络在训练的过程中,权重初始化方式,学习率的选择,dropout概率的选择不同都会对训练产生影响,如果想做到指哪打哪还得多积累积累经验。虽然网络可以work,但还是隐隐约约感觉有哪里不对,后期还得优化优化,如有错误欢迎指正交流~

近期下载者：

相关文件：

评论：[我要评论] [举报此文件]

收藏者：