训练GoogleNet模型，识别flowers数据集

字数 3908阅读 6145评论 0赞 3

该系列文章介绍一个企业级的人工智能解决方案，包含多篇文章，敬请浏览: - 
 
 - [基于K1 Power Linux 与WMLA的企业级人工智能解决方案](https://www.talkwithtrend.com/Article/254939 "基于K1 Power Linux 与WMLA的企业级人工智能解决方案")
 - [训练GoogleNet模型，识别flowers数据集](https://www.talkwithtrend.com/Article/254945 "训练GoogleNet模型，识别flowers数据集") 
 
本文是第二篇.
 
 
上一次我们介绍了基于浪潮商用机器的 K1 Power Linux 和 IBM WMLA 搭建企业级的人工智能平台，本次我们将在该平台上训练一个识别 flower 数据集的深度学习模型。该模型可以识别向日葵，菊花，玫瑰花，郁金香，蒲公英 5 种类型的花。如果需要识别其他类型的花或者物体，请收集其他数据，模型和操作过程基本不用修改。

这次我们将使用google InceptionV3 模型，训练一个卷积神经网络，其中 InceptionV3 的结构如下：
![](/home/attachment/202104/16/291115_161855783223087.png)

该模型包含了 3 种不同类型的 inception module ，在识别准确率提高的同时，可以大幅度减少参数的数量。这三种不同种类的 Inception module ，分别如下所示：
![](/home/attachment/202104/16/291115_161855784558471.png)
![](/home/attachment/202104/16/291115_161855785171178.png)
![](/home/attachment/202104/16/291115_161855785672589.png)

我们使用wmla的图形化界面，进行AI模型的训练，主要包含3个步骤：数据准备，模型训练和模型预测，下面分别介绍:

# 一  数据准备 
## 1. 下载数据集
从 kaggle 的如下地址下载 flower 数据集：
[https://www.kaggle.com/alxmamaev/flowers-recognition](https://www.kaggle.com/alxmamaev/flowers-recognition) ，

将下载的压缩文件上传到 OpenPower 服务器的一个目录下并解压，如下所示：
$ pwd
/home/data/flower_photos
$ ls
daisy dandelion roses sunflowers tulips
可以看到该 dataset 包含 5 个子目录，每个目录中存放一种类型花的照片。接下来我们使用该数据集在 WMLA 中创建一个数据集 Dataset 。

## 2. 在wmla上创建数据集
1) 登录进入 WMLA 的 WEB 界面，依次选择 workload 下面的 Spark/Deep Learning/New, 如下图 :
![](/home/attachment/202104/16/291115_161855788829611.png)

2) 选择 Images for Object Classification, 如下图 :
![](/home/attachment/202104/16/291115_161855792182875.png)

3) 输入如下 :
![](/home/attachment/202104/16/291115_161855792610955.png)
![](/home/attachment/202104/16/291115_161855793231195.png)

点击"Create"按钮，即可创建一个数据集。接下里我们来训练模型。

# 二 训练模型
## 1.下载模型代码
1) 从下面的 link 下载模型代码
https://us-south.git.cloud.ibm.com/ibmconductor-deep-learning-impact/dli-1.2.3-tensorflow-samples

2）将代码放在服务器上。
将代码放在服务器上，使用如下的命令来查看代码包含哪些文件：
$ pwd
/dli_data_fs/src/dli-1.2.3-tf/tensorflow-1.13.1
$ ls
cifar10 faster-rcnn inceptionv3 mask_rcnn nlp README.md vgg19

## 2. 创建模型
1）依次选择 Workload/Spark/Models/Deep Learning, 然后点击 ”New”
![](/home/attachment/202104/16/291115_161855794243103.png)

2）点击 ”Add location”, 在出现的窗口输入下面的信息
![](/home/attachment/202104/16/291115_161855795495134.png)

3）按照如下所示，填写参数，然后选择 ”Next”
![](/home/attachment/202104/16/291115_161855796144963.png)
![](/home/attachment/202104/16/291115_161855796561069.png)

## 3.训练模型 
1）依次选择 Workload/Spark/Models/Deep Learning, 然后如下图选中待待训练的模型 , 并点击 ”Train”,
在弹出的对话框 , 修改如下参数 , 点击 ”Start Training”, 开始训练
 ![](/home/attachment/202104/16/291115_161855797739612.png) 
 
2）点击待监控的模型
![](/home/attachment/202104/16/291115_161855800078444.png)
如果模型正在训练 , 则状态为 ”Running”, 如果模型已经训练完毕 , 则状态为 ”Finished”.

3）在出现的界面中 , 选择一个正在训练或已经完成的模型 , 可以看到模型的运行信息 , 如下图 :
![](/home/attachment/202104/16/291115_161855802035699.png)

# 三 测试模型 
## 1. 验证模型

1）选择validate Trained model，可以对模型进行验证，查看模型的准确率等信息。操作如下所示：
![](/home/attachment/202104/16/291115_161855804146769.png)

2) 选择待查看的指标，例如TOP1的准确率，或者混淆矩阵等 :
![](/home/attachment/202104/16/291115_161855804767791.png)

3) 然后 , 点击 ”Validation Results”, 查看模型的验证结果
![](/home/attachment/202104/16/291115_161855805557916.png)

## 2.发布 Inference 服务 
下面将模型发布为一个 Inference Service, 在当前操作下 , 点击 ”Create Inference Model”, 如下 :
![](/home/attachment/202104/16/291115_161855806238043.png)

## 3. 测试模型

1) 按如下操作进入深度学习 UI 界面 , Workload/Spark/Deep Learning,
![](/home/attachment/202104/16/291115_161855807012293.png)

2) 点击 ”Models”, 并选择上一步生成的模型 , 点击 ”Test”, 然后点击 ”New Test” 如下图 :
![](/home/attachment/202104/16/291115_161855807659851.png)

3) 在出现的界面上从本地上传一张图片 , 进行测试 , 如下图 :
![](/home/attachment/202104/16/291115_161855808288103.png)

4) 待任务完成后 , 点击界面上的生成的链接 , 可查看测试的结果 , 如下图所示 :
![](/home/attachment/202104/16/291115_161855808781336.png)

这样整个模型就训练完毕了，整个过程使用图形化操作进行，大大便利了AI的开发和使用。如果你想了解该解决方案的信息，请参见前一篇文章:[基于K1 Power Linux 与WMLA的企业级人工智能解决方案]( https://www.talkwithtrend.com/Article/254939) ，

人工智能大数据

著作权归作者所有

如果觉得我的文章对您有用，请点赞。您的支持将鼓励我继续创作！

添加新评论0 条评论

Ctrl+Enter 发表

匿名评论

训练GoogleNet模型，识别flowers数据集

添加新评论0 条评论

作者其他文章

相关文章

相关问题

相关资料