【开发日记】马桶识别之马桶分类，通过迁移学习进行马桶分类

通过上篇文章马桶识别之数据清洗，通过Resnet50清洗脏数据，得到了干净的马桶图片。但是由于评论区图片有限，每一类的图片只有300张左右。如果从头开始训练，数据量有点小。这时可以通过迁移学习，利用从ImageNet数据集中学习到的模型来进行迁移学习。

具体的做法是冻结网络（比如ResNet,GoogleNet,Vgg16等）前几层的权重和偏置，只留下最后一层的参数进行训练。其实，也是把前面几层网络当成特征提取器进行特征提取，然后再利用最后一层进行线性分类。

在Tensorflow的官方教程中，有一篇是关于迁移学习的教程，有兴趣的可以看一下：How to Retrain Inception's Final Layer for New Categories。本文正是基于该教程进行迁移学习。

1. 数据准备

数据组织结构如下图所示，创建一个总文件夹，下面放“种类”子文件夹，子文件夹下放图片



2. 代码准备

确保~/tensorflow/examples 下有文件夹 image_retraining。如果没有的话，可以上Tensorflow的GitHub网址上下载(https://github.com/tensorflow/tensorflow)。

3. 开始训练

训练很简单，只要输入以下代码即可，默认使用预训练的 Inception V3模型。(注意更改为自己代码所在位置以及图片路径）python E:\Python35\Lib\site-packages\tensorflow\examples\image_retraining\retrain.py --image_dir F:\AI\proj\data4. 训练结果
使用我的笔记本电脑，差不多10分钟左右就可以出来结果。

训练的精度为68.4%，并不是很好，可能样本还是太少了，但是训练过程很简单，避免自己从头开始写一个神经网络。

下一步可以使用其他模型或者使用数据增强，以及调整一下其他参数来看一下精度能否继续提高。