TensorFlow：培训我自己的形象

Question

我是TensorFlow的新手。我正在寻找有关图像识别的帮助，我可以训练我自己的图像数据集。

是否有训练新数据集的示例？

Answer 1

如果您对如何在TensorFlow中输入自己的数据感兴趣，可以查看this tutorial。
我还在斯坦福大学here为CS230撰写了最佳实践指南。

新答案（使用tf.data）和标签

在tf.data中引入r1.4后，我们可以创建一批没有占位符且没有队列的图像。步骤如下：

1. 创建一个包含图像文件名和相应标签列表的列表
2. 创建tf.data.Dataset读取这些文件名和标签
3. 预处理数据
4. 从tf.data.Dataset创建一个迭代器，它将生成下一批

代码是：

# step 1
filenames = tf.constant(['im_01.jpg', 'im_02.jpg', 'im_03.jpg', 'im_04.jpg'])
labels = tf.constant([0, 1, 0, 1])

# step 2: create a dataset returning slices of `filenames`
dataset = tf.data.Dataset.from_tensor_slices((filenames, labels))

# step 3: parse every image in the dataset using `map`
def _parse_function(filename, label):
    image_string = tf.read_file(filename)
    image_decoded = tf.image.decode_jpeg(image_string, channels=3)
    image = tf.cast(image_decoded, tf.float32)
    return image, label

dataset = dataset.map(_parse_function)
dataset = dataset.batch(2)

# step 4: create iterator and final input tensor
iterator = dataset.make_one_shot_iterator()
images, labels = iterator.get_next()

现在我们可以直接运行sess.run([images, labels])而无需通过占位符提供任何数据。

旧答案（使用TensorFlow队列）

总结一下，你有多个步骤：

1. 创建文件名列表（例如：图片的路径）
2. 创建TensorFlow 文件名队列
3. 读取并解码每个图像，将其大小调整为固定大小（批处理所需）
4. 输出一批这些图像

最简单的代码是：

# step 1
filenames = ['im_01.jpg', 'im_02.jpg', 'im_03.jpg', 'im_04.jpg']

# step 2
filename_queue = tf.train.string_input_producer(filenames)

# step 3: read, decode and resize images
reader = tf.WholeFileReader()
filename, content = reader.read(filename_queue)
image = tf.image.decode_jpeg(content, channels=3)
image = tf.cast(image, tf.float32)
resized_image = tf.image.resize_images(image, [224, 224])

# step 4: Batching
image_batch = tf.train.batch([resized_image], batch_size=8)

Answer 2

基于@ olivier-moindrot的答案，但针对Tensorflow 2.0 +：

# step 1
filenames = tf.constant(['im_01.jpg', 'im_02.jpg', 'im_03.jpg', 'im_04.jpg'])
labels = tf.constant([0, 1, 0, 1])

# step 2: create a dataset returning slices of `filenames`
dataset = tf.data.Dataset.from_tensor_slices((filenames, labels))

def im_file_to_tensor(file, label):
    def _im_file_to_tensor(file, label):
        path = f"../foo/bar/{file.numpy().decode()}"
        im = tf.image.decode_jpeg(tf.io.read_file(path), channels=3)
        im = tf.cast(image_decoded, tf.float32) / 255.0
        return im, label
    return tf.py_function(_im_file_to_tensor, 
                          inp=(file, label), 
                          Tout=(tf.float32, tf.uint8))

dataset = dataset.map(im_file_to_tensor)

如果遇到类似以下问题：

ValueError：无法采用未知等级的Shape的长度

当将tf.data.Dataset张量传递给model.fit时，请看一下https://github.com/tensorflow/tensorflow/issues/24520。上面的代码片段的解决方法是：

def im_file_to_tensor(file, label):
    def _im_file_to_tensor(file, label):
        path = f"../foo/bar/{file.numpy().decode()}"
        im = tf.image.decode_jpeg(tf.io.read_file(path), channels=3)
        im = tf.cast(image_decoded, tf.float32) / 255.0
        return im, label

    file, label = tf.py_function(_im_file_to_tensor, 
                                 inp=(file, label), 
                                 Tout=(tf.float32, tf.uint8))
    file.set_shape([192, 192, 3])
    label.set_shape([])
    return (file, label)

Answer 3

使用Tensorflow Hub的

2.0兼容答案： Tensorflow Hub 是Tensorflow提供的商品/产品，包括Google开发的模型，用于文本和图像数据集。

它 saves Thousands of Hours of Training Time and Computational Effort ，因为它可以重用现有的预训练模型。

如果我们有一个图像数据集，我们可以从TF Hub中获取现有的预训练模型，并将其应用于我们的数据集。

使用预训练模型MobileNet重新训练图像数据集的代码如下所示：

import itertools
import os

import matplotlib.pylab as plt
import numpy as np

import tensorflow as tf
import tensorflow_hub as hub

module_selection = ("mobilenet_v2_100_224", 224) #@param ["(\"mobilenet_v2_100_224\", 224)", "(\"inception_v3\", 299)"] {type:"raw", allow-input: true}
handle_base, pixels = module_selection
MODULE_HANDLE ="https://tfhub.dev/google/imagenet/{}/feature_vector/4".format(handle_base)
IMAGE_SIZE = (pixels, pixels)
print("Using {} with input size {}".format(MODULE_HANDLE, IMAGE_SIZE))

BATCH_SIZE = 32 #@param {type:"integer"}

#Here we need to Pass our Dataset

data_dir = tf.keras.utils.get_file(
    'flower_photos',
    'https://storage.googleapis.com/download.tensorflow.org/example_images/flower_photos.tgz',
    untar=True)

model = tf.keras.Sequential([
    hub.KerasLayer(MODULE_HANDLE, trainable=do_fine_tuning),
    tf.keras.layers.Dropout(rate=0.2),
    tf.keras.layers.Dense(train_generator.num_classes, activation='softmax',
                          kernel_regularizer=tf.keras.regularizers.l2(0.0001))
])
model.build((None,)+IMAGE_SIZE+(3,))
model.summary()

完整的图像再训练教程代码可以在此Github Link中找到。

有关Tensorflow Hub的更多信息，可以在此TF Blog中找到。

与图像相关的预训练模块可以在此TF Hub Link中找到。

所有与图像，文本，视频等相关的预培训模块都可以在此TF HUB Modules Link中找到。

最后，这是Basic Page for Tensorflow Hub。