抽取特征

##这里主要完成的任务是抽取特征包括 - 抽取整个数据集的特征 - 抽取用户上传图片的特征 ##本项目的模型采用的是inception

抽取给定数据集特征

####1. 抽取特征主要会用到文件inception_extract,修改自参考项目的inception_eval代码，关键是这几行。

# 抽取出特征需要和图片文件名字对应，因此需要文件名
images,labels,filenames_op = image_processing.inputs(dataset)
#在这里需要返回endpoints,因为我们需要的是中间层特征而不是logits
#需要指出的是inference 函数也做啦微小改动用于返回 endpoints
#可以详细看 inception_model.py 文件了解
_, _, endpoints = inception.inference(images,num_clases)
#抽取特征
sess.run(endpoints['mixed_8x8x2048b'])

####2. 最后我们抽取的特征是endpoints['mixed_8x8x2048b']，然后用avg_pooling操作把8x8x2048 的特征转换为2048的向量。 ####3. 至于怎么生成数据主要用build_image_data文件，然后修改flowers_data.py 文件。 ####4. 完成以上步骤就可以运行extract.sh 文件修改下参数抽取特征啦。最后可以得到[num_examples * 2048]的feature.

抽取用户上传的特征

1.这里主要用到的工具是tensorflow serving

2.因此在这之前你需要编译安装tensorflow serving,编译期间也许会遇到很多问题google it :)

3.接下来我们需要export model用于tf serving抽取特征，在文件inception_export2中，主要是一下几行代码。

logits, _ , endpoints = inception_model.inference(images, NUM_CLASSES + 1)
#(?,8,8,2048)
features = endpoints['mixed_8x8x2048b']
features = tf.reduce_mean(features,1)
#(?,2048) 就代表我们最后要使用的2048-d feature.
features = tf.reduce_mean(features,1)

# 然后把features 赋值给scores_tensor
signature = exporter.classification_signature(
input_tensor=jpegs, classes_tensor=classes, scores_tensor=features)

4.运行export.sh 脚本就可以生成一个exported_feature文件夹里边存放的是export model.

5.导出的模型将会被../tensorflow_serving/inception_inference.cc 调用。