Deep learning 初始V3微调

我不是来自cs背景，我正在尝试创建一个分类器，在其中我输入包含疾病的图像和没有疾病的图像。为此，我尝试使用inception v3进行微调。不幸的是，所有的微调示例都是针对vgg-16完成的，他们只是说《盗梦空间》v3在几乎所有教程中都进行了类似的培训。我将keras与tensorflow后端一起使用。每个人都告诉我截断inception的最后一个softmax层，添加两个层并进行微调。我不知道如何在inception中添加层。我还要将我的数据存储在两个文件夹中。这也让我头疼，因为一些教程加载cifar数据库，而其他教程使用目录，我对此也感到不舒服。有人能给我一些建议吗

train.py

导入操作系统
导入系统
导入glob
导入argparse
导入matplotlib
matplotlib.use（'agg'）
将matplotlib.pyplot作为plt导入
从keras导入后端为K
来自keras导入版本__
从keras.applications.inception\u v3导入InceptionV3，预处理\u输入
从keras.models导入模型
从keras.layers导入稠密、平均池2D、全局平均池2D、输入、展平、退出
从keras.preprocessing.image导入ImageDataGenerator
从keras.optimizers导入新加坡元
IM_宽度，IM_高度=299，299#用于接收的固定大小v3
NB_时代=3
蝙蝠大小=32
FC_大小=1024
#NB_IV3_层_至_冻结=172
def get_nb_文件（目录）：
“”“通过递归搜索目录获取文件数”“”
如果不存在os.path.exists（目录）：
返回0
cnt=0
对于r、dir和os.walk（目录）中的文件：
对于目录中的dr：
cnt+=len（glob.glob（os.path.join（r，dr+“/*”））
返回cnt
def设置到传输学习（型号、基本型号）：
“”“冻结所有层并编译模型”“”
对于基本模型层中的层：
layer.trainable=错误
model.compile（优化器='rmsprop'，
损失class='classifical_crossentropy'，
指标=[‘准确度’]）
def添加新的最后一层（基本模型、nb类）：
“”“将最后一层添加到convnet
Args：
基本型：不包括顶部的keras型
nb#U类：#类
返回：
具有最后一层的新keras模型
"""
x=基本模型输出
x=AveragePoolg2D（（8,8），border_mode='valid'，name='avg_pool'）（x）
x=辍学率（0.5）（x）
x=展平（）（x）
预测=密集（2，激活='softmax'）（x）
模型=模型（输入=基本模型。输入，输出=预测）
回归模型
"""
def设置至微调（型号）：
冻结底部NB_IV3_层，并重新训练其余顶部层。
注：NB_IV3_层对应于inceptionv3拱门中的前2个起始块
Args：
模型：keras模型
对于模型中的层。层[：NB_IV3_layers_TO_FREEZE]：
layer.trainable=错误
对于模型中的层。层[NB_IV3_层到_冻结：]：
layer.trainable=True
compile（优化器=SGD（lr=0.0001，动量=0.9），loss='classifical\u crossentropy'，metrics=['accurity']）
"""
def序列（args）：
“”“使用迁移学习和微调在新数据集上训练网络”“”
培训img=‘培训集／’
验证\u img='test\u set/'
nb_epoch=int（参数nb_epoch）
nb\u train\u samples=获取nb\u文件（train\u img）
nb_classes=len（glob.glob（train_img+“/*”））
#数据准备
列车\数据发生器=图像数据发生器(
旋转范围=40，
宽度\偏移\范围=0.2，
高度\位移\范围=0.2，
重新缩放=1./255，
剪切范围=0.2，
缩放范围=0.2，
水平翻转=真，
填充模式（最近的）
验证\u datagen=ImageDataGenerator(
旋转范围=40，
宽度\偏移\范围=0.2，
高度\位移\范围=0.2，
重新缩放=1./255，
剪切范围=0.2，
缩放范围=0.2，
水平翻转=真，
填充模式（最近的）
train_generator=来自目录的train_datagen.flow_(
火车站，
目标_大小=（299299），
批次大小=32，
class_mode='classifical'）
验证\u生成器=验证\u datagen.flow\u来自\u目录(
验证(img),，
目标_大小=（299299），
批次大小=32，
class_mode='classifical'）
如果（K.image\u dim\u ordering（）=“th”）：
输入\张量=输入（形状=（3299299））
其他：
输入\张量=输入（形状=（299299,3））
#设置模型
基本\模型=接收v3（输入\张量=输入\张量，权重='imagenet'，包括\顶部=假，输入\形状=（IM \高度，IM \宽度，3））\包括\顶部=假排除最终FC层
模型=添加新的最后一层（基本模型，nb类）
#迁移学习
设置到转移学习（模型、基本模型）
历史\u tl=模型安装\u发电机（列车发电机，
每个历元的样本数=320，
nb_epoch=nb_epoch，
验证数据=验证生成器，
nb_val_样本=64）
model.save（args.output\u model\u文件）
如果args.plot：
绘图培训（历史）
def plot_培训（历史记录）：
acc=历史。历史['acc']
val_acc=历史。历史['val_acc']
损失=历史。历史['loss']
val_loss=历史。历史['val_loss']
历元=范围（len（acc））
plt.绘图（时代，附件，右）
plt.绘图（时代，val_acc，'r'）
产品名称（“培训和验证准确性”）
plt.savefig（'accurity.png'））
plt.图（）
plt.绘图（年代、损失、r.）
plt.绘图（时代、价值损失、“r-”）
产品名称（“培训和验证损失”）
plt.savefig（'loss.png'））
如果名称=“\uuuuu main\uuuuuuuu”：
a=argparse.ArgumentParser（）
a、 添加参数（“--nb\u epoch”，默认值=nb\u epoch）
a、 添加参数（“--batch\u size”，默认值=BAT\u size）
a、 添加参数（“--plot”，action=“store\u true”）
a、 添加参数（“--output\u model\u file”，default=“inceptionv3-ft.model”）
args=a.parse_args（）
训练(
train/
  |-label_a/
  |-label_b/
  ...
  |-label_z/
valid/
  |-label_a/
  |-label_b/
  ...
  |-label_z/