TensorFlow+FaceNet+GPU训练模型（超详细过程）（四、模型训练）

短命女 2023-07-02 11:22 10阅读 0赞

在所有的数据都处理完了之后，接下来就可以进行模型的训练了。

在Github上FaceNet项目的介绍中有softmax和论文中提到的三元损失训练triplet两种方式，这边简单的介绍下softmax的训练方法。

FaceNet已经将所有的方法都已经封装好，训练程序在src目录下的train\_softmax.py文件中，在训练之前，我们首先要简单的修改下这份文件，让它适用于当前版本。

1.  找到260行，搜索iteritems也可以
    
        for key, value in stat.iteritems():
    
    将iteritems修改为items，在python3中，dict已经没有iteritems方法了
2.  找到308行，将
    
        if lr<=0:
    
    修改为
    
        if lr is None or lr <= 0:
    
    亲测在最后一轮训练的时候，学习率本来应该是变成-1，然后结束，但是出现了lr变成None的情况
3.  这一点仅供GPU玩家修改，使用CPU的话就不用修改了，跳过这一点直接训练就好了，找到191行，将
    
        sess = tf.Session(config=tf.ConfigProto(gpu_options=gpu_options, log_device_placement=False))
    
    替换成
    
        config = tf.ConfigProto(gpu_options=gpu_options, log_device_placement=False, allow_soft_placement=True)
            config.gpu_options.allow_growth = True
            sess = tf.Session(config=config)
    
    #  #

# 模型训练 #

这里在CPU：i7-6700H，显卡：GTX965M，CUDA：9.0，cuDNN：7.0.5的辣鸡笔记本中，采用WebFace数据集进行训练测试

输入运行参数

python src/train_softmax.py --logs_base_dir logs/facenet/ --models_base_dir models/facenet/ --data_dir datasets/CASIA-WebFace_train_182/ --image_size 160 --model_def models.inception_resnet_v1 --lfw_dir datasets/lfw_160/ --optimizer ADAM --learning_rate -1 --max_nrof_epochs 150 --keep_probability 0.8 --random_crop --random_flip --use_fixed_image_standardization --learning_rate_schedule_file data/learning_rate_schedule_classifier_casia.txt --weight_decay 5e-4 --embedding_size 512 --lfw_distance_metric 1 --lfw_use_flipped_images --lfw_subtract_mean --validation_set_split_ratio 0.05 --validate_every_n_epochs 5 --prelogits_norm_loss_factor 5e-4

简单说下上述的参数，当然还有非常多其它未加入的，需要的可以自己去研究源码

非常的直观，其中

\--logs\_base\_dir：是存放训练过程的目录

\--models\_base\_dir：是存放训练结果模型的目录

\--data\_dir：是训练数据集的目录，可以根据需要自己更改

\--model\_def：是训练的神经网络方法，这里采用resnet

\--lfw\_dir：存放lfw数据集的位置，作用是在训练过程中对模型进行测试，可以不加，但是推荐！！！

\--learning\_rate：学习率的设置，学习率在训练过程中是非常重要的，设置的太大模型难以收敛，设置的太小模型容易过拟合，所有在训练过程中基本上会选择动态学习率的设置，就是下面要讲到的参数

\--learning\_rate\_schedule\_file：学习率时间计划表，我们来打开其中一个文件进行分析

![2020012915032290.png][]

这个是vggface2的训练示例，在epoch0-99轮的时候学习率设置为0.05，100-199轮设置为0.005，200到275轮设置为0.0005，通过这个方法决定模型训练的轮数和相应的学习率变化，可以手动进行修改自定义

在讲完了参数之后，我们开始进行训练，使用GPU进行训练的童鞋有可能遇到一个问题，如下

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQwMjA0NTgy_size_16_color_FFFFFF_t_70][]

如果是类似的错误的话，恭喜你，你的显卡和我的一样辣鸡...

FaceNet项目默认一次喂入计算图90张照片，如果显卡的显存不够的话，就会报出OOM的错误，这个时候只需要减少一次的喂入量就行了，添加参数

--batch_size 50

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQwMjA0NTgy_size_16_color_FFFFFF_t_70 1][]

训练一步0.8s，还算可以接受的时间，虽然我觉得喂入数量太少对模型并不是一个很好的选择，但是在CPU下亲测训练一步需要30s+，为了狗命着想，只能忍忍了

### 接着就是最关键的一点，动态显示训练过程 ###

既然我们放入lfw数据集，那当然需要最大限度利用起来才行，打开一个新的终端，输入命令，定位到logs目录下

tensorboard --logdir=logs/facenet --port 6006

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQwMjA0NTgy_size_16_color_FFFFFF_t_70 2][]

打开网页

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQwMjA0NTgy_size_16_color_FFFFFF_t_70 3][]

楼主训练了30个小时，最后模型正确率在98.8%左右，很可惜没有达到99%，也许加大batch的数量和增加训练轮数就可以了，不过就结果来说还是很不错的，毕竟训练成功了

同样，如果想要尝试大量数据的训练，完全okk，因为项目会自动保存最新的模型，假使一不小心训练中断了，同样可以加载之前训练的结果继续训练，在源码的参数中有说明

楼主下附训练的结果，大家可以直接运行logs文件拿去骗人，哈哈哈哈哈

链接：[https://pan.baidu.com/s/1paZLBHF-hAqxHErXrQlQRw][https_pan.baidu.com_s_1paZLBHF-hAqxHErXrQlQRw]

提取码：e6v9

[2020012915032290.png]: https://img-blog.csdnimg.cn/2020012915032290.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQwMjA0NTgy_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20200129150948705.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQwMjA0NTgy,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQwMjA0NTgy_size_16_color_FFFFFF_t_70 1]: https://img-blog.csdnimg.cn/20200129151602357.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQwMjA0NTgy,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQwMjA0NTgy_size_16_color_FFFFFF_t_70 2]: https://img-blog.csdnimg.cn/20200129151946368.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQwMjA0NTgy,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQwMjA0NTgy_size_16_color_FFFFFF_t_70 3]: https://img-blog.csdnimg.cn/20200129152103257.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQwMjA0NTgy,size_16,color_FFFFFF,t_70
[https_pan.baidu.com_s_1paZLBHF-hAqxHErXrQlQRw]: https://pan.baidu.com/s/1paZLBHF-hAqxHErXrQlQRw