使用自己的数据集训练MobileNet、ResNet实现图像分类（TensorFlow）

迈不过友情╰ 2022-03-14 16:24 1132阅读 0赞

# 使用自己的数据集训练MobileNet、ResNet实现图像分类（TensorFlow） #

之前鄙人写了一篇博客《[使用自己的数据集训练GoogLenet InceptionNet V1 V2 V3模型（TensorFlow）][GoogLenet InceptionNet V1 V2 V3_TensorFlow]》[https://panjinquan.blog.csdn.net/article/details/81560537][GoogLenet InceptionNet V1 V2 V3_TensorFlow]，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）][GoogLenet InceptionNet V1 V2 V3_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][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][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
> 
> （2）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。
> 
> （3）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  ##

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9wYW5qaW5xdWFuLmJsb2cuY3Nkbi5uZXQ_size_16_color_FFFFFF_t_70][]

> 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][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][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][Tensorflow_TFrecords]》**[https://blog.csdn.net/guyuealian/article/details/80857228][Tensorflow_TFrecords] ，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][Tensorflow_TFrecords]

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：

> 1.  create\_records()：用于制作records数据的函数，
> 2.  read\_records()：用于读取records数据的函数,
> 3.  get\_batch\_images():用于生成批训练数据的函数
> 4.  get\_example\_nums：统计tf\_records图像的个数(example个数)
> 5.  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][https_github.com_tensorflow_models_tree_master_research_slim_nets]
> 
> 2、[slim/nets][https_github.com_tensorflow_models_tree_master_research_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][tensorflow_slim_api]》：[https://blog.csdn.net/guvcolie/article/details/77686555][tensorflow_slim_api]

## 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~

[GoogLenet InceptionNet V1 V2 V3_TensorFlow]: https://panjinquan.blog.csdn.net/article/details/81560537
[https_github.com_tensorflow_models_tree_master_research_slim]: https://github.com/tensorflow/models/tree/master/research/slim
[https_github.com_PanJinquan_tensorflow_models_learning]: https://github.com/PanJinquan/tensorflow_models_learning
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9wYW5qaW5xdWFuLmJsb2cuY3Nkbi5uZXQ_size_16_color_FFFFFF_t_70]: /images/20220312/0033fa24c6fe4bb399b9b51e36f9b124.png
[https_blog.csdn.net_u011974639_article_details_79199306]: https://blog.csdn.net/u011974639/article/details/79199306
[Tensorflow_TFrecords]: https://blog.csdn.net/guyuealian/article/details/80857228
[https_github.com_tensorflow_models_tree_master_research_slim_nets]: https://github.com/tensorflow/models/tree/master/research/slim/nets
[tensorflow_slim_api]: https://blog.csdn.net/guvcolie/article/details/77686555