python - 使用tf slim重新训练经过预训练的ResNet-50模型以进行分类

我想用TensorFlow slim重新训练一个预先训练过的ResNet-50模型，并在以后用于分类目的。
ResNet-50被设计为1000个类，但我只希望10个类（土地覆盖类型）作为输出。
首先，我试着只为一个图像编写代码，这是我以后可以概括的。
这是我的代码：

from tensorflow.contrib.slim.nets import resnet_v1
import tensorflow as tf
import tensorflow.contrib.slim as slim
import numpy as np

batch_size = 1
height, width, channels = 224, 224, 3
# Create graph
inputs = tf.placeholder(tf.float32, shape=[batch_size, height, width, channels])
with slim.arg_scope(resnet_v1.resnet_arg_scope()):
    logits, end_points = resnet_v1.resnet_v1_50(inputs, is_training=False)

saver = tf.train.Saver()

with tf.Session() as sess:
    saver.restore(sess, 'd:/bitbucket/cnn-lcm/data/ckpt/resnet_v1_50.ckpt')
    representation_tensor = sess.graph.get_tensor_by_name('resnet_v1_50/pool5:0')
    #  list of files to read
    filename_queue = tf.train.string_input_producer(['d:/bitbucket/cnn-lcm/data/train/AnnualCrop/AnnualCrop_735.jpg'])
    reader = tf.WholeFileReader()
    key, value = reader.read(filename_queue)
    img = tf.image.decode_jpeg(value, channels=3)

    im = np.array(img)
    im = im.reshape(1,224,224,3)
    predict_values, logit_values = sess.run([end_points, logits], feed_dict= {inputs: im})
    print (np.max(predict_values), np.max(logit_values))
    print (np.argmax(predict_values), np.argmax(logit_values))

    #img = ...  #load image here with size [1, 224,224, 3]
    #features = sess.run(representation_tensor, {'Placeholder:0': img})

我有点困惑接下来会发生什么（我应该打开一个图，或者我应该加载网络结构并加载权重，或者加载批处理）。图像形状也有问题。有很多多功能的文档，不容易理解：/
为了达到我的目的，有什么建议可以修改代码吗？
测试图像：AnnualCrop735

最佳答案

如果您提供num_classeskwargs，resnet层将为您提供预测。查看resnet_v1的文档和代码
您需要在其上添加一个loss函数和培训操作，以便通过重用来微调resnet_v1

...
with slim.arg_scope(resnet_v1.resnet_arg_scope()):
    logits, end_points = resnet_v1.resnet_v1_50(
        inputs,
        num_classes=10,
        is_training=True,
        reuse=tf.AUTO_REUSE)
...
...
    classification_loss = slim.losses.softmax_cross_entropy(
        predict_values, im_label)

    regularization_loss = tf.add_n(slim.losses.get_regularization_losses())
    total_loss = classification_loss + regularization_loss

    train_op = slim.learning.create_train_op(classification_loss, optimizer)
    optimizer = tf.train.GradientDescentOptimizer(learning_rate)

    slim.learning.train(
        train_op,
        logdir='/tmp/',
        number_of_steps=1000,
        save_summaries_secs=300,
        save_interval_secs=600)

关于python - 使用tf slim重新训练经过预训练的ResNet-50模型以进行分类，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/48947083/