一.下載github開原始碼

       從github上下載開原始碼，我們可以發現它需要對訓練資料集的圖片以及圖片標籤做一些改變：

1.將所有訓練影象放在一個資料夾中，並在專案根目錄中建立一個包含所有可能標籤的檔案labels.txt。例如：

2.需要為每個影象準備正確標籤的檔案。命名檔案<image_file_name.jpg> .txt =如果您有一個影象car.jpg附帶的檔案將是car.jpg.txt。例如上圖的1.jpg檔案就需要給定標籤，並且txt名字為1.jpg.txt

3.最終你需要將圖片資料夾，標籤資料夾，以及標籤txt存放在同一個目錄中，如下：其中images為裝滿圖片的資料夾，labels.txt為所有的標籤，model_dir資料夾裡面為所有圖片的標籤，retrain.py為訓練的指令碼。

二 獲取資料庫

本實驗採用的是南京大學開源的資料庫，資料庫連結為：點選這裡檢視，下載後解壓會出現兩個壓縮包，一個壓縮包中含有上圖所示的圖片，共有2000張自然風景圖，這些圖片總攻有5個標籤（desert,mountains,sea,sunset,trees),而每張圖片都含有至少一個標籤，這就是我們的訓練樣本，但是我們可以發現另一個名為processed壓縮包裡含有的是一個minl data的mat檔案，這個需要使用matlab開啟，開啟之後可以看出其中具有三個矩陣，名字分別為bags.mat,targets.mat,class_name.mat，第一個可以直接忽略，而第二個就是每張影象所給的定義，如下，第三個class_name.mat中含有總的標籤數。

 可以看出來每一列為一張圖片的標籤定義，1表示有，-1表示沒有，例如第一張圖片為[1 -1 -1 -1 -1],就表示改圖片只包含第一個標籤”desert“，我們現在需要將這個tagets.mat矩陣轉換成txt檔案。

2.1將mat檔案轉換成txt檔案指令碼

本文先通過網上所述的方法修改：

結果發現輸出來的txt是亂碼，後來對網上另一個mat2txt指令碼進行修改最終得出了結果：下圖為修改後的指令碼以及最後的txt檔案。

2.2txt轉換成標籤

我們可以看出得到的target.txt檔案顯示的是一系列的字元，我們需要通過這個txt檔案將每一行對應與一個影象的標籤，這時我們需要使用python編寫的指令碼：

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
Created on Fri Jun 16 22:56:24 2017

@author: hongjun
"""

from __future__ import division

#寫入檔案，將msg列表中的每一個元素換行寫入檔案，並修改檔案的名字
def text_create(name, msg):   
    desktop_path = '/Users/hongjun/Desktop/test/'    
    full_path = desktop_path + name + '.jpg.txt' 
    file = open(full_path,'w')
    for i in range(len(msg)):
        label=msg[i]             
        file.write(label+'\n') 
    file.close() 
    print('Done')


f=open("/Users/hongjun/Desktop/targets.txt",'r')
while 1:
     lines=f.readlines()#逐行讀取整個檔案
     n=1#n表示讀入的第幾行
     for line in lines:
         if line:
             #字元字典，數字表示負號前面有多少個1，例如0就對應沒有1即字元desert
             total_labels={0:"desert",1:"mountains",2:"sea",3:"sunset",4:"trees"}
             output_labels=[]#最終輸出的列表
             numbers=line.split('1')#將每行按照1進行分開
             label_count=[]#每個負號前面有多少個1的列表
             for i in range(len(line)):
                 if line[i]=="-":
                     count=0#表示某個特定的負號前面的1的個數
                     for j in range(0,i):
                         if line[j]=='1':
                             count=count+1
                 label_count.append(count)#與if line[i]=='-'為同一縮排
             for i in range(0,5):
                if i not in label_count:#如果輸出的列表中不存在字典裡的數字，那麼就代表存在某個字元
                    output_labels.append(total_labels[i])  
             text_create(str(n),output_labels)
             n=n+1
            
            
     else:
         break
f.close()

經過了這個指令碼之後，我麼就可以得到我們所需要的輸出標籤檔案了。 三.使用docker容器執行retrain.py Docker 是一個開源的應用容器引擎，讓開發者可以打包他們的應用以及依賴包到一個可移植的容器中，然後釋出到任何流行的 Linux 機器上，也可以實現虛擬化。容器是完全使用沙箱機制，相互之間不會有任何介面。 使用docker執行步驟，首先我們需要在本機上上傳需要的retrain.py,images,labels.txt,images_labels檔案，然後將他們掛載在docker你建立的目錄下，例如我在docker上建立的目錄位置為/image_labels_dir,將上述檔案掛載在這個資料夾下。 你可以使用如下方法新建一個docker：

docker run -it \
  --publish 6006:6006 \
  --volume ${HOME}/image_labels_dir:/image_labels_dir \
  --workdir /image_labels_dir \
  tensorflow/tensorflow:1.1.0 bash

同時，你可以用tensorboard來監測訓練過程：

tensorboard --logdir training_summaries &

如果當你執行上一條命令時出現： ERROR:tensorflow:TensorBoard attempted to bind to port 6006, but it was already in use 此時，你可以使用如下命令列進行修改： pkill -f "tensorboard"

這條命令列是在關閉所有正在執行的tensorboard，然後你可以再執行tensorboard --logdir training_summaries &來啟動tensorboard。現在有了容器，有人訓練模型，有了資料，我們可以開始訓練了，下面給出訓練時候要用到的引數：

python retrain.py \
--bottleneck_dir=bottlenecks \
--model_dir=model_dir \
--output_graph=retrained_graph.pb \
--output_labels=retrained_labels.txt \
--summaries_dir=retrain_logs \
--image_dir=images

至此，訓練就可以開始了。注意，一定要保證images路徑是對的，否則無法進行訓練，以我為例可以看到根目錄下有image_labels_dir資料夾，其中含有4個主要的檔案images(圖片），retrain.py()（為重訓練指令碼）,labels.txt（所有的標籤）,image_labels_dir(所有影象的標籤)，而在images資料夾下有個image資料夾，這資料夾中含有所有的圖片。

[email protected]:/image_labels_dir# ls
bottlenecks  image_labels_dir  images  labels.txt  model_dir  retrain.py  retrain_logs  retrained_graph.pb  retrained_labels.txt
[email protected]:/image_labels_dir# ls        
bottlenecks  image_labels_dir  images  labels.txt  model_dir  retrain.py  retrain_logs  retrained_graph.pb  retrained_labels.txt
[email protected]:/image_labels_dir# cd images
[email protected]:/image_labels_dir/images# ls
image
[email protected]:/image_labels_dir/images# cd image
[email protected]:/image_labels_dir/images/image# ls
1.jpg     1085.jpg  1171.jpg  1258.jpg  1344.jpg  1430.jpg  15

四.訓練時候存在的問題

本人使用的python2.7進行執行，由於tensorflow版本問題，會出現一些問題：

  

 解決的方法是對retrain.py檔案進行一些修改：

1報錯位置：.tf.scalar_summary('batch_loss', loss)AttributeError: 'module' object has no attribute 'scalar_summary'修改為：tf.summary.scalar('batch_loss', loss)原因：新版本做了調整

2.AttributeError: 'module' object has no attribute 'histogram_summary'修改為：tf.summary.histogram

3.tf.merge_all_summaries()改為：summary_op = tf.summaries.merge_all()

4.AttributeError: 'module' object has no attribute 'SummaryWriter':tf.train.SummaryWriter改為tf.summary.FileWriter

以及另一處報錯位置的修改：

tf.nn.sigmoid_cross_entropy_with_logits(logits,ground_truth_input)
修改為

tf.nn.sigmoid_cross_entropy_with_logits(labels=ground_truth_input,logits=logits)

這樣的話我們就可以成功的進行訓練了。

五訓練結果

按照上述方法，我們可以得到最終的訓練結果，迭代次數為預設的4000次，我們可以得知最終的訓練準確率為94.6%，測試準確率為93.8%，以及交叉熵為0.144610.

2017-06-23 03:16:08.463792: Step 3980: Train accuracy = 93.4%
2017-06-23 03:16:08.463873: Step 3980: Cross entropy = 0.152843
2017-06-23 03:16:08.514183: Step 3980: Validation accuracy = 94.6%
2017-06-23 03:16:09.090858: Step 3990: Train accuracy = 93.4%
2017-06-23 03:16:09.090932: Step 3990: Cross entropy = 0.164133
2017-06-23 03:16:09.140161: Step 3990: Validation accuracy = 95.8%
2017-06-23 03:16:09.600402: Step 3999: Train accuracy = 94.0%
2017-06-23 03:16:09.600477: Step 3999: Cross entropy = 0.144610
2017-06-23 03:16:09.650267: Step 3999: Validation accuracy = 93.8%
Final test accuracy = 94.6%

接下來我們用這個訓練結果測試一下單個照片：

我們需要用到label_image.py指令碼，輸入的命令列為

python label_image.py images/image/400.jpg

其中最後一個引數為圖片的路徑，例如我們輸入的圖片為（該圖片當時我們給的標籤只有一個desert）：

我們可以觀測到最終的輸出為：

desert (score = 0.97425)
sunset (score = 0.10365)
mountains (score = 0.01996)
sea (score = 0.01231)
trees (score = 0.00555)

從結果可以看出，圖片很大概率只屬於一個標籤desert，下面我們來測試一張多標籤的圖片，（該標籤我們當時給的標籤為moutain，desert）。

mountains (score = 0.82342)
desert (score = 0.60081)
sea (score = 0.05774)
trees (score = 0.01539)
sunset (score = 0.01115)

可以看出通過訓練可以檢測出該圖片屬於多個標籤。你也可以測試一些自己的照片，只要路徑正確。