本文主要是介绍inceptionv3 /v4迁移学习图像分类，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
研究一个图像分类的任务，现在的问题是对6类图像数据做分类任务，数据的特征是每一类都只有非常少的数据，并且存在类别不平均，在这种情况下我们的实验结果存在准确率的问题，对于少量数据，采用端到端从头开始训练的方法，模型学习到的特征很少，泛化能力不够，采用从ImageNet数据集训练得到的结果，我们可以采用预训练权重初始化特定的深度网络，如这里的Inception网路，采用slim轻量库构建模型，模型在三个公开数据集上的实例已经在github中可见，参照实例可用训练自定义的网络模型。
需要自己下载inceptionv3/v4的预训练权重，以及自定义的数据集。
构建数据训练代码，v3的训练和测试过程如下
python download_and_convert_data.py \--dataset_name=flowers \--dataset_dir=${DATASET_DIR}# Fine-tune only the new layers for 1000 steps.
python train_image_classifier.py \--train_dir=${TRAIN_DIR} \--dataset_name=flowers \--dataset_split_name=train \--dataset_dir=${DATASET_DIR} \--model_name=inception_v3 \--checkpoint_path=${PRETRAINED_CHECKPOINT_DIR}/inception_v3.ckpt \--checkpoi这篇关于inceptionv3 /v4迁移学习图像分类的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
