Question

我正在使用Google的inceptionv-3模型和TensorFlow进行性别识别，使用转移学习（本教程的here's the link）在我的数据集上有135个女性脸部图像和335个男性脸部图像。在训练结束后，它显示出95％的准确率，我在几张图像上测试它的工作正常，但是分类结果需要大约3秒钟。

我正在尝试实时（实时视频）

下面是我修改它的代码，我首先加载模型需要一秒钟，然后我在无限循环中进行，所以我只是传递图像并得到预测结果。

 import os, sys
 import tensorflow as tf
 os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
 import time

 # Unpersists graph from file
 with tf.gfile.FastGFile("retrained_graph.pb", 'rb') as f:
      graph_def = tf.GraphDef()
      graph_def.ParseFromString(f.read())
      tf.import_graph_def(graph_def, name='')

 # change this as you see fit
 image_path = sys.argv[1]

 # Read in the image_data
 image_data = tf.gfile.FastGFile(image_path, 'rb').read()

 # Loads label file, strips off carriage return
 label_lines = [line.rstrip() for line 
 in tf.gfile.GFile("retrained_labels.txt")]


 while True:
           start_time = time.time()
           with tf.Session() as sess:

                # Feed the image_data as input to the graph and get first prediction
                softmax_tensor = sess.graph.get_tensor_by_name('final_result:0')

                predictions = sess.run(softmax_tensor, {'DecodeJpeg/contents:0': image_data})
                print("--- %s seconds ---" % (time.time() - start_time))
                # Sort to show labels of first prediction in order of confidence
                """top_k = predictions[0].argsort()[-len(predictions[0]):][::-1]

                for node_id in top_k:
                human_string = label_lines[node_id]
                score = predictions[0][node_id]"""

这是输出：

--- 2.21238899231 seconds ---
--- 2.1374540329 seconds ---
--- 2.08863019943 seconds ---
--- 2.08074688911 seconds ---
--- 2.07966399193 seconds ---

有什么方法可以减少时间，我很抱歉代码格式化。我不确定我是否提出了正确的问题，我对ML很新。

感谢您的帮助！

sys config：AMD-A4,2.5GHz，8GB RAM

Answer 1

首先，您不应该在循环中从头开始重新创建会话。创建一个会话对象，并在循环期间一遍又一遍地调用sess.run（...）。此外，你应该调用＆＃34; get_tensor_by_name＆＃34;只有一次（在循环之外）。除此之外，没有任何代码可以做到。你可以把执行放在gpu上以便加快速度。

使用转移学习在Google InceptionV-3中预测缓慢

1 个答案: