我是张力流和机器学习的新手。 我有55k图像的训练集，分为40个不同的类别。一些类别具有~2000个图像，而其他类别具有~20k图像。 每张图片的分辨率为1080x1440。
我正在使用tensorflow inceptionV3 Imagenet重新训练这些图像，但我得到的结果并不好。该程序无法正确分类图像。在测试集的所有大多数图像中，预期标签的准确度非常低。
对于再培训，我的命令是 -
python retrain.py --image_dir=train_images --how_many_training_steps=4000 --output_graph=output_graph.pb --output_labels=output_labels.txt --bottleneck_dir=bottlenecks --saved_model_dir=saved_models
我没有使用其他参数，如缩放，裁剪，测试批量大小，验证批量大小等，因为我不熟悉如何使用它们。
对于标签，我的命令是 -
python label_image.py --graph=output_graph.pb --labels=output_labels.txt --input_layer=Placeholder --output_layer=final_result --image=51.jpg
有人可以帮助我了解如何使用这些输入参数获得最佳效果吗？
提前致谢！
答案 0 :(得分：0)
这个问题非常广泛但有些事情。
我建议将Keras与TensorFlow后端一起使用，因为抽象可以让您更容易理解正在发生的事情。在使用Keras框架时，您还可以找到大量示例。
Keras有一些实用程序类可以帮助加载大量不适合内存的数据。使用默认ImageDataGenerator进行预测的许多类可能不切实际，因为ImageDataGenerator从图像文件所在的目录中获取标签。 （含有50个类的含义，您需要一个包含50个子文件夹的列车数据文件夹以及包含50个子文件夹的测试数据文件夹。如果您正在进行交叉验证，则需要复制这些文件夹。）
更多信息：
https://blog.keras.io/building-powerful-image-classification-models-using-very-little-data.html
对于这种情况，我建议看一下：
https://stanford.edu/~shervine/blog/keras-how-to-generate-data-on-the-fly.html