我们将使用转移学习，这意味着我们从一个已经接受另一个问题培训的模型开始。然后我们将重新训练类似的问题。从头开始深入学习可能需要几天时间，但可以在短时间内完成转移学习。
我们将使用在ImageNet大型视觉识别挑战数据集上训练的模型。这些模型可以区分达尔马提亚或洗碗机等1,000个不同的类别。您将可以选择模型架构，因此您可以确定问题的速度，大小和准确性之间的正确折中。
我们将使用这个相同的模型，但重新训练它可以根据我们自己的例子区分少数类。
主要步骤
-
克隆git存储库
此代码中使用的所有代码都包含在此git存储库中。克隆存储库并cd放入其中。这是我们将要工作的地方。
git clone https://github.com/googlecodelabs/tensorflow-for-poets-2
cd tensorflow-for-poets-2
- 下载训练图像
在开始任何培训之前，您需要一组图像来教授模型有关您想要识别的新课程。我们创建了创作共用许可花卉照片的档案，以供初次使用。通过调用以下两个命令下载照片（218 MB）：
curl http://download.tensorflow.org/example_images/flower_photos.tgz \
| tar xz -C tf_files
你现在应该有一个花卉照片的副本。通过发出以下命令来确认工作目录的内容：
ls tf_files / flower_photos
daisy/
dandelion/
roses/
sunflowers/
tulip/
LICENSE.txt
- 再训练网络
配置你的MobileNet
在这个练习中，我们将重新培训一个MobileNet。MobileNet是一个小型高效卷积神经网络。“卷积”意味着在图像中的每个位置执行相同的计算。
MobileNet可以通过两种方式进行配置：
输入图像分辨率：128,160,192或224px。毫不奇怪，摄入更高分辨率的图像需要更多的处理时间，但会导致更好的分类准确性。 模型的相对大小作为最大的MobileNet的一小部分：1.0,0.75,0.50或0.25。 这个codelab我们将使用224 0.5。
使用推荐的设置，通常只需几分钟即可在笔记本电脑上进行再培训。您将在Linux shell变量中传递设置。在shell中设置这些变量：
IMAGE_SIZE=224
ARCHITECTURE="mobilenet_0.50_${IMAGE_SIZE}"
# 查看变量
echo $IMAGE_SIZE
224
# 通过发出以下命令来激活该 conda 环境
source activate tensorflow
启动TensorBoard
在开始训练之前，tensorboard在后台启动。TensorBoard是一种包含在tensorflow中的监测和检测工具。您将使用它来监控培训进度。
tensorboard --logdir tf_files/training_summaries &
查看再训练脚本
重新训练脚本来自TensorFlow Hub回购，但不作为pip包的一部分进行安装。所以为了简单起见，我将它包含在codelab存储库中。您可以使用该python命令运行脚本。花一点时间浏览一下“帮助”。
python -m scripts.retrain -h
运行训练脚本
如引言中所述，ImageNet模型是具有数百万个参数的网络，可以区分大量的类。我们只训练该网络的最后一层，因此训练将在合理的时间内结束。
用一个大命令开始你的再训练（注意–summaries_dir选项，发送训练进度报告到tensorboard监测的目录）：
python -m scripts.retrain \
--bottleneck_dir = tf_files / bottlenecks \
--how_many_training_steps = 500 \
--model_dir = tf_files / models / \
--summaries_dir = tf_files / training_summaries /“$ {ARCHITECTURE}”\
--output_graph = tf_files / retrained_graph.pb \
--output_labels = tf_files / retrained_labels.txt \
--architecture =“$ {ARCHITECTURE}”\
--image_dir = tf_files / flower_photos
请注意，此步骤需要一段时间。
该脚本下载预先训练好的模型，添加一个新的最终图层，并在您下载的花卉照片上训练该图层。
ImageNet不包括我们在这里培训的任何这些花卉物种。但是，使ImageNet可以区分1,000个类别的信息种类对区分其他对象也很有用。通过使用这个预先训练的网络，我们将这些信息用作最终分类层的输入，以区分我们的花类。
- 使用再训练模型
再训练脚本将数据写入以下两个文件：
tf_files/retrained_graph.pb，其中包含所选网络的一个版本，并在您的类别上重新培训最后一层。 tf_files/retrained_labels.txt，这是一个包含标签的文本文件。
分类图像
codelab repo还包含tensorflow的label_image.py示例的副本，您可以使用它来测试您的网络。花一点时间阅读此脚本的帮助：
python -m scripts.label_image -h
现在，让我们在雏菊的这个图像上运行脚本：
python -m scripts.label_image \
--graph=tf_files/retrained_graph.pb \
--image=tf_files/flower_photos/daisy/21652746_cc379e0eea_m.jpg
每次执行都会打印出花标的列表，在大多数情况下，正确的花在顶部（尽管每个重新训练的模型可能略有不同）。
你可能会得到这样的雏菊照片的结果：
daisy (score = 0.99071)
sunflowers (score = 0.00595)
dandelion (score = 0.00252)
roses (score = 0.00049)
tulips (score = 0.00032)
- 可选训练参数
--learning_rate
#参数控制训练期间最后一层更新的大小(比如0.005，训练需要更长的时间，但总体精度可能会增加。值越高learning_rate，比如1.0，可以训练速度更快，但通常会降低精度，甚至使培训不稳定。)
--summaries_dir
#是控制张量板中名称的选项。之前我们使用过：
- 根据自己数据进行训练
看到脚本处理花图像后，您可以开始观察网络教学以识别不同的类别。
从理论上讲，你需要做的就是运行该工具，指定一组特定的子文件夹。每个子文件夹都按照您的某个类别命名，并仅包含该类别的图像。
如果您完成此步骤并传递子目录的根文件夹作为参数的–image_dir参数，那么脚本应该训练您提供的图像，就像它为花一样。
分类脚本使用文件夹名称作为标签名称，每个文件夹内的图像应该是与该标签对应的图片，如花卉档案中所示：
下一步
恭喜，您迈出了深入学习的更大的世界！
您可以在TensorFlow网站或TensorFlow GitHub 项目中查看有关使用TensorFlow的更多信息。TensorFlow还有许多其他资源，包括讨论组和白皮书。
如果您有兴趣在移动设备上运行TensorFlow，请尝试本教程的第二部分：有三个版本：
TFLite Android TFLite iOS TFMobile Android
或者去TensorFlow游乐场玩一下吧！
常见问题及解决方法
问题
InvalidArgumentError (see above for traceback): Expected image (JPEG, PNG, or GIF), got unknown format starting with '\000\005\026\007\000\002\000\000Mac OS X'
解决方法