VGGNet_TF

利用Tensorflow簡單實現VGGNet，從數據集制作到訓練完成測試

參考：《Tensorflow實戰》《Tensorflow 實戰Google深度學習框架》

學習Tensorflow，拿VGG16練練手，沒有其他騷操作，只有數據集制作，訓練及測試。

create_tfrecords.py為生成tfrecords數據腳本

VGG16.py為網絡結構定義文件

train.py為訓練腳本

test.py為測試腳本

制作tfrecord數據文件

下載17flowers數據集，解壓到目錄下

VGGNet

|__ 17flowers

|__ 0

|__ xxx.JPEG

|__ 1

|__ xxx.JPEG

|__ 2

|__ xxx.JPEG

執行create_tfrecords.py腳本，會在根目錄下生成train.tfrecords文件，也可在腳本中指定生成路徑

訓練自己的數據

修改腳本中，模型保存位置及tfrecord數據所在路徑，執行train.py腳本即可訓練

訓練完成后生成模型文件，執行test.py腳本即可進行測試

test文件夾中的圖片名字前面數字即為所屬類別

網絡結構，VGG16.py

卷積和全連接權重初始化定義了3種方式：

1.預訓練模型參數

2.截尾正態，參考書上采用該方式

3.xavier，網上blog有采用該方式

通過參數finetrun和xavier控制選擇哪種方式，有興趣的可以都試試

def conv(x, d_out, name, fineturn=False, xavier=False):

d_in = x.get_shape()[-1].value

with tf.name_scope(name) as scope:

# Fine-tuning

if fineturn:

kernel = tf.constant(data_dict[name][0], name="weights")

bias = tf.constant(data_dict[name][1], name="bias")

print "fineturn"

elif not xavier:

kernel = tf.Variable(tf.truncated_normal([3, 3, d_in, d_out], stddev=0.1), name='weights')

bias = tf.Variable(tf.constant(0.0, dtype=tf.float32, shape=[d_out]),

trainable=True,

name='bias')

print "truncated_normal"

else:

kernel = tf.get_variable(scope+'weights', shape=[3, 3, d_in, d_out],

dtype=tf.float32,

initializer=tf.contrib.layers.xavier_initializer_conv2d())

bias = tf.Variable(tf.constant(0.0, dtype=tf.float32, shape=[d_out]),

trainable=True,

name='bias')

print "xavier"

conv = tf.nn.conv2d(x, kernel,[1, 1, 1, 1], padding='SAME')

activation = tf.nn.relu(conv + bias, name=scope)

print_layer(activation)

return activation

訓練的時候loss有不收斂的情況，可以適當的調整學習率。

kee_prob設置為0.5的時候，雖然loss下降到很低，但是測試的效果很差，因為這個糾結了好久。后來改為0.8感覺還可以，可能是因為數據集太少的原因。

神經網絡中的超參數各有各的作用，寫完網絡在訓練的過程中，權重初始化方式，學習率的選擇，dropout概率的選擇不同都會對訓練產生影響，如果想做到指哪打哪還得多積累積累經驗。雖然網絡可以work，但還是隱隱約約感覺有哪里不對，后期還得優化優化，如有錯誤歡迎指正交流～

總結

以上是生活随笔為你收集整理的python制作训练集_利用Tensorflow简单实现VGGNet，从数据集制作到训练完成测试的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。