我是TensorFlow和机器学习的新手。我有一个55K图像的培训集，分为40个不同类别。有些类别具有〜2000张图像，而另一些类别则具有约20K图像。每个图像是分辨率的1080x1440。
我正在使用TensorFlow InceptionV3 ImageNet重新训练这些图像，但是我获得的结果不好。该程序无法正确对图像进行分类。在测试集的所有图像中，预期标签的准确性都非常低。
用于再训练，我的命令是 -
python retrain.py --image_dir=train_images --how_many_training_steps=4000 --output_graph=output_graph.pb --output_labels=output_labels.txt --bottleneck_dir=bottlenecks --saved_model_dir=saved_models
我不使用其他参数，例如缩放，裁剪，测试批量大小，验证批次大小等，因为我对如何使用它们不熟悉。
用于标签，我的命令是 -
python label_image.py --graph=output_graph.pb --labels=output_labels.txt --input_layer=Placeholder --output_layer=final_result --image=51.jpg
有人可以帮助我如何使用这些输入参数以获得最佳结果？
预先感谢！
这个问题超广泛，但几件事。
-
我建议将Keras与TensorFlow后端一起使用，因为抽象使您更容易理解正在发生的事情。使用KERAS框架时，您还可以找到很多示例。
-
keras有一些实用程序类，可以帮助加载大量不适合内存的数据。有许多类可以使用默认成像载体器预测的类可能是不切实际的，因为Imagedatagenerator从图像文件居住的目录中获取标签。(这意味着使用50个类，您需要一个带有50个子文件夹的火车数据文件夹以及带有50个子文件夹的测试数据文件夹。
更多信息在这里：
https://blog.keras.io/building-powerful-image-classification-models-using-very-very-little-data.html
- 如果您不制作文件夹，则需要制作自己的发电机来加载文件并返回这些文件的标签。
在这种情况下，我建议这样做：
https://stanford.edu/~shervine/blog/keras-how-to-generate-data-on-the-fly.html