生活紀錄: 6月 2018

2018年6月8日星期五

Training your Object Detection Classifier

Download TensorFlow Models
Download object detection models from model zoo

set PATH=%PATH%;..\..\protoc-3.5.1-win32\bin
cd models-master\research
protoc.exe object_detection\protos\anchor_generator.proto --python_out=.
protoc.exe object_detection\protos\argmax_matcher.proto --python_out=.
.
.
.
protoc.exe object_detection\protos\train.proto --python_out=.
cd ..\..\

cd models-master\research
python setup.py build
python setup.py install

修改 models-master/research/object_detection/trainer.py
# Soft placement allows placing on CPU ops without GPU implementation.
session_config = tf.ConfigProto(allow_soft_placement=True,
log_device_placement=False)
session_config.gpu_options.allow_growth=True
session_config.gpu_options.allocator_type = "BFC"
session_config.gpu_options.per_process_gpu_memory_fraction = 0.4

LabelImg 標註相片，產生 .xml
修改 xml_to_csv.py 由 .xml 產生 .csv
修改 generate_tfrecord.py 內的 class_text_to_int(row_label), 標註從 1 開始，不是 0
由 .csv 產生 .record(TFRecord 檔)
準備 labelmap.pbtxt, 標註從 1 開始，不是 0

準備修改 models-master\research\object_detection\samples\configs

2018年6月6日星期三

Optimizer 選擇

tf.train.GradientDescentOptimizer
梯度下降法
常見梯度下降法 BGD, SGD, MBGD
BGD: Batch gradient descent
採用整個訓練集的數據來計算，所以速度慢，若遇到大量的數據集會更慢
SGD: Stochastic gradient descent
隨機採用部分的訓練集來計算，所以速度較快，但是因為更新快，會造成震盪
MBGD: Mini-batch gradient descent

tf.train.AdagradOptimizer
Adagrad 會累加之前所有的梯度平方，
對低頻的參數做較大的更新，對高頻做較小的更新，
用於處理大的希疏矩陣，可以自動變更學習速率

tf.train.AdadeltaOptimizer

Adadelta 是對 Adagrad 的擴展，甚至不需要提前設定學習率

tf.train.MomentumOptimizer

如果梯度長時間保持一個方向，則增大參數更新幅度。
可以想像成從山頂放下一個球，會越滾越快

tf.train.RMSPropOptimizer
RMSProp 和 Adadelta 都是為了解決 Adagrad 學習率急劇下降的問題

tf.train.AdamOptimizer

它綜合了 Momentum 和 RMSProp 方法，是目前最常用的優化器