用Inception-V3模型进行图像分类

Inception-V3模型简介

本例使用预训练好的深度神经网络Inception-v3模型来进行图像分类。Inception-v3模型在一台配有 8 Tesla K40 GPUs，大概价值$30,000的野兽级计算机上训练了几个星期，因此不可能在一台普通的PC上训练。我们将会下载预训练好的Inception模型，然后用它来做图像分类。

Inception-v3模型大约有2500万个参数，分类一张图像就用了50亿的乘加指令。在一台没有GPU的现代PC上，分类一张图像转眼就能完成。

ImageNet数据集简介

ImageNet数据集包含1500万张图片，22000个类别。其子集对应的是目前最权威的图片分类竞赛LSVRC，包含100万张图片和1000个类别。

谷歌在大型图像数据库ImageNet上训练好了一个Inception-v3模型，这个模型可以直接用来进行图像分类。

输入：一张图片；

输出：与输入图相匹配的库内图片名及匹配分数。

工程文件

工程文件如下：

1.  文件：就是训练好的Inception-v3模型；

2.  文件：为类别文件，共包含2万多种类别，内容如下：

3.  ：为进行分类的代码；

4.  ：为分类的输入图；

5.  ：为镜像文件；

6. 

运行

1. 点击“开始”——选择“Anaconda Prompt”，如下所示；

2. 由于工程文件存放在E盘下，首先，需要修改目录路径，进入E盘；然后，再使用cd 进入各目录，如下所示：

3. 最后，使用python 文件名，运行即可，如下图所示：

结果

1. 输入为猫时，例图如下：

运行，获得库内分数最高的前5个（即获得输入图的类别），结果如下：

修改目标图为熊猫

1. 如果将目标图改为熊猫，例图为：

打开Classify.py文件，代码做如下修改：

运行结果如下：

2. 在 文件内，查找panda，即可找到所有panda：

修改目标图为鹦鹉

1. 如果将目标图修改为鹦鹉，例图为：

代码修改为：

2. 在Anaconda Prompt内输入python Classify.py，运行结果如下：

3. 由于Inception模型适用于299 * 299像素的输入图像。例子中的鹦鹉图像为320 * 785像素的图像，因此它将由Inception模型自动缩放。

4. 手动裁剪鹦鹉图像为299 * 299像素大小，然后输入到Inception模型中，例图如下：

代码修改为：

运行结果如下：

5. 修改鹦鹉图，只保留尾部，例图如下：

代码修改为：

运行结果为：