基于TensorFlow的经典分类网络的实现——vgg16，resnet系列

Ubuntu16.04 + python3.6.6 + tensorflow1.10.0

dataset-|-class0-|-00001.jpg
             |             |-00002.jpg
             |             |-...
             |
             |-class1-|-...
             |
             |-class2-|-...
训练集和测试集不需提前划分，修改resnet/train.py中的test_rate参数，可以修改测试集划分比例。

网络结构参数
depth: resnet深度（层数），可选值：18，34（浅层），50，101，152（深层）；
num_classes: 类别数，即网络输出层的神经元个数；

训练参数
optimizer：优化器，可选值：'sgd', 'adam', 'momentum'（还可选用其他优化器，在utils.create_optimizer()函数中添加）；
learning_rate, momentum, batch_size: 各种训练参数；
epochs：最大迭代次数；
epochs_every_test: 每epochs_every_test个epochs测试一次；
epochs_every_save: 每epochs_every_save个epochs保存一次模型；
early_stop_num: 连续early_stop_num个epochs的train_accuracy==1.0且train_loss==0.0，或连续early_stop_num个epochs的val_accuracy和val_loss均没有提升时，提前结束训练（由于我参与的项目的数据较少，故没有设置验证集，之后会来填坑）；
method: 训练方式，可选值：'restart'（从头开始）, 'restore'（继续训练）；

各种路径
trained_model_directory: 已训练模型目录，当训练方式为'restore'时必选；
model_directory: 模型保存路径；
model_name: 模型保存名称；
log_directory: 日志文件和tensorboard文件保存路径，日志中保存了各种网络训练时输出的结果；
log_filename: 日志文件保存名称；
summarize: 是否利用tensorboard记录训练结果的布尔值，可选值：True或False

python resnet/train.py

model_path: ckpt模型所在路径

python predict.py    
$ Input image filename: 输入预测图片的路径

要求数据格式与上述一致，在训练之前，把数据集分割为train, validation, test 三部分

路径
main_data_path: 数据集所在路径 new_main_path: 分割后的新数据集所在路径

分割参数
test_ratio: 测试集所占比例 val_ratio: 验证集所占比例 seed: 随机种子

python tf_keras/data_split.py

训练任务为在keras提供的预训练模型的基础上进行finetune，当在区别于imagenet1000类的新类别上构建分类任务时，推荐这种方法； 注：
如果希望参数随机初始化，不需finetune时，修改代码第40行为：

base_model = ResNet50(weights=None, include_top=False, pooling="avg")

如果希望只训练最后用于分类的全连接层，而不训练预训练模型中的其他参数时，把50-51行的注释'#'删除掉：

# if train only the top layers, uncomment the following two lines
for layer in base_model.layers:
    layer.trainable = False

网络参数 num_classes：类别数；

训练参数 batch_size: 就是batch_size；
epochs： 最大迭代epochs数；
validation_steps：验证集生成器的返回次数，若validation没有设置batch，则validation_steps设为1即可；
opt： 优化器，可选值有：'sgd', 'adam', 'rmsprop', 'adagrad', 'adadelta', 'adamax', 'nadam';
learning_rate： 学习率； momentum： 动量，opt为'sgd'时必选；

路径
model_path： 模型保存路径
data_path：数据集所在路径

python tf_keras/train_resnet50.py

file_path： 已训练的h5模型的路径+文件名
class_list: 与数据集中类别名称顺序相一致的类别名称的列表

python tf_keras/predict_resnet50.py
$ Input image filename: 输入预测图片的路径+文件名