毕设&课设&项目&实训-基于Android和微信小程序端的简单猫狗图像分类.zip

# 猫狗大战 数据集下载：https://www.kaggle.com/c/dogs-vs-cats-redux-kernels-edition/data 下载后在根目录解压即可 各程序运行用时及成功后截图见success screenshot文件 ## 运行环境 Python 3.6，Tensorflow-gpu 1.4，Pillow库 论文中使用的是配置了2个Tesla M60的美团云GPU主机 由于截图时美团云GPU主机售罄，故success screenshot文件中改为使用配置了1个Tesla P100的Google云GPU主机 ## 数据分析 切换至data_analysis目录下 #### 分析训练集图片尺寸 python data_analysis.py #### 分析测试集图片尺寸 python data_analysis.py --path ../test #### 创建训练集与测试集样本以用于特征观察（已存在） python create_sample.py #### 异常数据处理 依赖于基准模型，故放在微调基准模型后介绍 ## 从头训练 切换至train_from_beginning目录下 #### 创建小数据集 python create_train_small_set.py #### 创建验证集 python create_verification_set.py #### 训练 python train.py 参数设置 * train_dir: 文件夹地址   训练集的位置，默认为 train_s * checkpoint_path: 文件夹地址   checkpoint保存位置，默认为 checkpoint * data_preprocess: 0..8   数据预处理方式，默认为 8。0为初始处理；1为图像标准化处理；2为长宽分别裁剪4/5；3为长宽分别裁剪3/4。   4-8在长宽分别裁剪3/4的基础上：4增加了随机水平翻转；5增加了随机覆盖；6增加了随机亮度与对比度；   7增加了随机饱和度与色差；8增加了随机水平翻转，随机亮度与对比度 * net_mode: 0..2   网络结构，默认为 0。0为Resnet_v2_18；1为Resnet_v2_34；2为Resnet_v2_50 * opt_mode: 0..2   优化器类型，默认为 1。0为GradientDescentOptimizer；1为MomentumOptimizer；2为AdamOptimizer * lr_mode: 0..5   学习速率，默认为 1。0为固定0.01；1为固定0.001；2为固定0.0001；3为固定比率衰减；4为自动衰减；5为周期性余弦衰减 * batch_size: 正整数   每批次数据大小，默认为64 #### 验证 python verify.py 参数设置 * checkpoint_path: 文件夹地址   checkpoint保存位置 * net_mode: 0..2   网络结构，默认为 0。0为Resnet_v2_18；1为Resnet_v2_34；2为Resnet_v2_50 #### 测试，结果输出到本目录下的 output.csv python test.py 参数设置 * checkpoint_path: 文件夹地址   checkpoint保存位置 * net_mode: 0..2   网络结构，默认为 0。0为Resnet_v2_18；1为Resnet_v2_34；2为Resnet_v2_50 ## 迁移学习 切换至transfer_learning目录下，运行文件时需要再手动修改配置的地方以 \*\*\* 标明 #### 创建小数据集 python create_train_small_set.py python convert_data.py --dataset_dir=train_s --type=0 #### 下载预训练模型 wget http://download.tensorflow.org/models/vgg_16_2016_08_28.tar.gz wget http://download.tensorflow.org/models/resnet_v1_50_2016_08_28.tar.gz tar zxvf vgg_16_2016_08_28.tar.gz tar zxvg resnet_v1_50_2016_08_28.tar.gz #### 微调基准模型Vgg16 python train.py --train_dir=checkpoint_vgg16 --dataset_dir=train_s --dataset_size=1500 --model_name=vgg_16 --checkpoint_path=vgg_16.ckpt --checkpoint_exclude_scopes=vgg_16/fc8 --trainable_scopes=vgg_16/fc8 --max_number_of_steps=3000 --batch_size=16 --learning_rate=0.01 --save_interval_secs=600 --log_every_n_steps=100 --optimizer=rmsprop --weight_decay=0.00004 #### 可能的异常数据获取，获取后默认存放于outliers下（已存在） python analysis_outliers.py --checkpoint_path checkpoint_vgg16 --model_name vgg_16 --infile ../train #### 异常数据处理 python handle_outliers_image.py #### 创建全数据集 python create_train_whole_set.py python convert_data.py --dataset_dir=train --type=0 #### 微调Resnet_v1_50 python train.py --train_dir=checkpoint_resnet_v1_50 --dataset_dir=train_s --dataset_size=1500 --model_name=resnet_v1_50 --checkpoint_path=resnet_v1_50.ckpt --max_number_of_steps=3000 --batch_size=16 --learning_rate=0.001 --save_interval_secs=300 --log_every_n_steps=100 --optimizer=adam --weight_decay=0.00004 --checkpoint_exclude_scopes=resnet_v1_50/logits --trainable_scopes=resnet_v1_50/logits_new, resnet_v1_50/block4 使用全训练集时需将训练参数dataset_dir设为train；将dataset_size设为全训练集的图片数量；将max_number_of_steps适当调高（如12000） 模型微调方式的设置： * 用新输出层替换旧输出层：在nets/resnet_v1.py中将旧输出层注释掉；训练参数trainable_scopes设为resnet_v1_50/logits_new * 用带隐层的新输出层替换旧输出层：在nets/resnet_v1.py中保留旧输出层；训练参数checkpoint_exclude_scopes设为resnet_v1_50/logits；trainable_scopes设为resnet_v1_50/logits_new， resnet_v1_50/logits * 加入新输出层，保留旧输出层并对其进行训练：在nets/resnet_v1.py中保留旧输出层；训练参数checkpoint_exclude_scopes设为空；trainable_scopes设为resnet_v1_50/logits_new， resnet_v1_50/logits * 加入新输出层，保留旧输出层而不对其进行训练：在nets/resnet_v1.py中保留旧输出层；训练参数checkpoint_exclude_scopes设为空；trainable_scopes设为resnet_v1_50/logits_new * 用新输出层替换旧输出层，并训练最后一个block：在nets/resnet_v1.py中将旧输出层注释掉；训练参数trainable_scopes设为resnet_v1_50/logits_new，resnet_v1_50/block4 #### 创建验证集 python create_verification_set.py python convert_data.py --dataset_dir=verify --type=1 #### 验证Resnet_v1_50 python verify.py --checkpoint_path=checkpoint_resnet_v1_50 --eval_dir=verify/data --dataset_dir=verify --dataset_size=10000 --model_name=resnet_v1_50 #### 测试Resnet_v1_50 python test.py --checkpoint_path checkpoint_resnet_v1_50 --model_name resnet_v1_50 --infile ../test ## 结果统计 切换至results_show目录下 python draw_results.py ## Android 前往 https://github.com/tensorflow/tensorflow/tree/master/tensorflow/examples/android 下载Tensorflow Android Camare demo， 用android文件夹中的文件替换demo中assets文件夹的原始文件，并在 ClassifierActivity.java 文件中进行相应修改: * INPUT_SIZE 设为 208 * IMAGE_MEAN 设为 0 * IMAGE_STD 设为 1 * MODEL_FILE 设为 "file:///android_asset/cats_and_dogs.pb" * LABEL_FILE 设为 "file:///android_asset/cats_and_dogs.txt" ## 微信小程序 切换至weixin目录下 将相同迁移学习模型下的checkpoint相关文件移至weixin/checkpoint目录下，运行 python get_img_category.py 将识别结果输出至控制台。 搭建服务端时，服务端将收到的图片保存，并调用 python get_img_category.py --infile *图片文件位置* 来获取识别结果。 越接近0越可能为猫，越接近1越可能为狗