提高 Tensorflow 图像分类的速度答案

【问题标题】：Increase the speed for image classification of Tensorflow提高 Tensorflow 图像分类的速度
【发布时间】：2017-10-15 02:02:00
【问题描述】：

使用来自 Link 的说明，我重新训练了新类别的 tensorflow inception。

但我注意到，随后如果我想对一组图像进行分类，它会逐个遍历图像然后对其进行分类。如果数据集很大，完成分类需要很长时间。例如，1000 张图片需要 45 分钟。

对于图像分类，我使用了online 可用的 LabelImage.py，如下所示：

import tensorflow as tf
import sys

image_path = sys.argv[1] #Pass the test file as argument

# Read in the image_data
image_data = tf.gfile.FastGFile(image_path, 'rb').read()

# Loads label file (the retained labels from retraining) and strips off carriage return
label_lines = [line.rstrip() for line
                   in tf.gfile.GFile("/tf_files/tf_files/retrained_labels.txt")]

# Unpersists graph from file
with tf.gfile.FastGFile("/tf_files/tf_files/retrained_graph.pb", 'rb') as f:
    graph_def = tf.GraphDef()
    graph_def.ParseFromString(f.read())
    _ = tf.import_graph_def(graph_def, name='')

with tf.Session() as sess:
    # Feed the image_data as input to the graph and get first prediction i.e. the most likely result
    softmax_tensor = sess.graph.get_tensor_by_name('final_result:0')

    predictions = sess.run(softmax_tensor, \
             {'DecodeJpeg/contents:0': image_data})

    # Sort to show labels of first prediction in order of confidence
    top_k = predictions[0].argsort()[-len(predictions[0]):][::-1]

    for node_id in top_k:
        human_string = label_lines[node_id]
        score = predictions[0][node_id]
        print('%s (score = %.5f)' % (human_string, score))

如您所见，它会逐张处理图像。

是否可以加快进程？当我重新训练库时，它不是为多个 GPU 编译的。有没有其他方法可以加快分类过程？

【问题讨论】：

可能你的网络是在[None, ...] 输入上训练的，这意味着它可能接受任意数量的输入。您应该能够通过创建一堆图像并将它们提供给图层来做到这一点。您必须将predictions[0].argsort()[...] 更改为predictions.argsort(axis=1)[: , ...]。但简而言之，这类问题不适合 SO，而且有点离题。你应该能够用上面的 cmets 想出一个解决方案。

标签： python image machine-learning tensorflow classification

【解决方案1】：

方法是加载库并随后处理图像。因此将节省每个图像的加载部分。

找到答案here。

【讨论】：

【解决方案2】：

为了完善 aandroidtest 给出的答案，如果您使用上述脚本，您将花费大部分时间为每个图像重新加载模型等。

相反，您应该只加载一次模型，然后在脚本中一张一张地检查图像。

【讨论】：