inception v3 retrain.py

github上的retrain.py 是错的不能运行，这个可以运行。
github上的retrain.py 是错的不能运行，这个可以运行。
github上的retrain.py 是错的不能运行，这个可以运行。
github上的retrain.py 是错的不能运行，这个可以运行。

# coding:utf-8
# 这个代码出处 原来的有错 所以使用了这个博主修改后的代码 https://www.cnblogs.com/EstherLjy/p/9861034.html
# Copyright 2015 The TensorFlow Authors. All Rights Reserved.
#
# Licensed under the Apache License Version 2.0 （the “License“）;
# you may not use this file except in compliance with the License.
# You may obtain a copy of the License at
#
#     http://www.apache.org/licenses/LICENSE-2.0
#
# Unless required by applicable law or agreed to in writing software
# distributed under the License is distributed on an “AS IS“ BASIS
# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND either express or implied.
# See the License for the specific language governing permissions and
# limitations under the License.
# ==============================================================================
r“““Simple transfer learning with Inception v3 or Mobilenet models.

With support for TensorBoard.

This example shows how to take a Inception v3 or Mobilenet model trained on
ImageNet images and train a new top layer that can recognize other classes of
images.

The top layer receives as input a 2048-dimensional vector （1001-dimensional for
Mobilenet） for each image. We train a softmax layer on top of this
representation. Assuming the softmax layer contains N labels this corresponds
to learning N + 2048*N （or 1001*N）  model parameters corresponding to the
learned biases and weights.

Here‘s an example which assumes you have a folder containing class-named
subfolders each full of images for each label. The example folder flower_photos
should have a structure like this:

~/flower_photos/daisy/photo1.jpg
~/flower_photos/daisy/photo2.jpg
...
~/flower_photos/rose/anotherphoto77.jpg
...
~/flower_photos/sunflower/somepicture.jpg

The subfolder names are important since they define what label is applied to
each image but the filenames themselves don‘t matter. Once your images are
prepared you can run the training with a command like this:


bash:
bazel build tensorflow/examples/image_retraining:retrain && \
bazel-bin/tensorflow/examples/image_retraining/retrain \
    --image_dir ~/flower_photos


Or if you have a pip installation of tensorflow ‘retrain.py‘ can be run
without bazel:

bash:
python tensorflow/examples/image_retraining/retrain.py \
    --image_dir ~/flower_photos


You can replace the image_dir argument with any folder containing subfolders of
images. The label for each image is taken from the name of the subfolder it‘s
in.

This produces a new model file that can be loaded and run by any TensorFlow
program for example the label_image sample code.

By default this script will use the high accuracy but comparatively large and
slow Inception v3 model architecture. It‘s recommended that you start with this
to validate that you have gathered good training data but if you want to deploy
on resource-limited platforms you can try the ‘--architecture‘ flag with a
Mobilenet model. For example:

bash:
python tensorflow/examples/image_retraining/retrain.py \
    --image_