（pycharm+ssh）TF-Slim实现图像分类和迁移学习（亲测可
⽤）
⽼规矩，先向排坑路上学习到的博主致谢
本⽂主要就环境下，利⽤TF-Slim 轻量级api进⾏图像分类和迁移学习时⼀些细节进⾏盘点。实验难度不⼤，⼀些原理性的东西就不写了，我致谢中的第⼀篇博⽂写的很好了，⼤家可以看看。
实验环境：Win10+Python3.5+PyCharm++ssh+TensorFlow1.12，ssh连接的GPU服务器系统为Centos
实验环境搭建教程建议参考，灰常给⼒。搭建完成后，建议在PyCharm中使⽤⼀个remote host，可以在右边很⽅便地看到ssh 远程gpu 服务器上的⽂件
@夏花ln
为了使⽤TF-Slim api，我们要下载两个⽂件。⼀个是github上的tensorflow slim api，只需要slim部分即可。
另⼀个是pre-train预训练模型，需要哪个就下载哪个，在slim⽂件夹下新建个pre_train⽂件夹，放下载好的ckpt预训练模型
那么就以flowers数据集5分类为例⼦，开始吧：
1.PyCharm中新建⼯程，将下载好的slim⽂件夹拖进去
并在PyCharm中将slim⽂件夹与⼯程设置关联，如下图所⽰，右边蓝⾊部分flowertrain\slim即为已关联部分
2.制作TFRecord⽂件
该部分参考第⼀篇博⽂，blog.csdn/chaipp0607/article/details/78406880
TensorFlow-models内提供了⼀个download_and_convert_data.py⽂件，我们可以利⽤这个代码完成数据准备⼯作，但是在此之前，建议把download_and_convert_flowers.py⽂件中的210⾏代码注释掉，这样⼀来解压缩之后的原始数据就可以留下来了，这样⽅便我们查看。 注意⼀下我们要运⾏的是download_and_convert_data.py⽂件，要修改的是download_and_convert_flowers.py⽂件。这⾥我们下载并解压flowers数据集，Windows下可以直接在cmd中使⽤命令⾏，
python download_and_convert_data.py --dataset_name=flowers --dataset_dir=F:/PyWS/flowertrain/slim/flowers_5
使⽤Linux的同学可以直接运⾏.sh⽂件。
下载并解压成功后路径下应为这样，代码会随机的抽取350张图⽚组成验证集，剩下的3320张组成训练集，并分别打成5个TFRecord⽂件。
再回到floewers_5⽂件夹中，我们就可以看到下⾯这些东西，⼀个压缩⽂件，⼀个解压缩之后的⽂件夹，10个TFRecord⽂件和⼀个labels⽂件。
3.利⽤预训练模型Inception-V3训练新任务
pre_trian⽂件夹中存放着ckpt预训练模型，
pycharm安装教程win10
接下来可以来训练模型了。
说下利⽤shell脚本的⽅式，在slim⽂件夹下新建my_train⽂件夹⽤来存放等会训练的模型。继续，在slim⽂件夹下新建train.sh⽂件，COMMENT内为参数说明
<<COMMENT
shell脚本训练模型参数说明:
--train_dir：训练完成后⽣成的模型所在路径
--dataset_name：参与训练的数据集的名字
--dataset_split_name：数据集中的validation或train
--dataset_dir : 数据集路径
--model_name : 模型名字
--checkpoint_path : 下载的已经训练好的模型路径
--checkpoint_exclude_scopes : 指定载⼊预训练模型时哪⼀层的权重不被载⼊
--trainable_scope : 指定对哪⼀层参数进⾏训练;
--max_number_of_steps : 最⼤运⾏步数
--save_interval_secs=300 : 每300s保存⼀次模型到指定路径
--save_summaries_secs=2  : 每2s将⽇志写⼊
--log_every_n_steps=10 : 每10s打印⼀次
COMMENT
python3 train_image_classifier.py \
--train_dir=my_train \
--dataset_name=flowers \
--dataset_split_name=train \
--dataset_dir=flowers_5 \
-
-model_name=inception_v3 \
--checkpoint_path=pretrain/inception_v3.ckpt \
--checkpoint_exclude_scopes=InceptionV3/Logits,InceptionV3/AuxLogits \
--trainable_scope=InceptionV3/Logits,InceptionV3/AuxLogits \
--max_number_of_steps=1000 \
--batch_size=32 \
--learning_rate=0.001 \
--learning_rate_decay_type=fixed \
--save_interval_secs=300 \
--save_summaries_secs=2 \
--log_every_n_steps=10 \
-
-optimizer=rmsprop \
--weight_decay=0.00004
接下来需要排个坑，当你将本地的⽂件利⽤ssh同步到GPU服务器上，然后利⽤xshell在gpu上运⾏trian.sh⽂件时，就提⽰
ValueError: You must supply the dataset directory with --dataset_dir
还有⼀堆not found，路径不到之类的。
这个就是Linux在执⾏shell脚本，shell脚本在编写时的系统跟你的执⾏脚本的系统不⼀致造成的。如果你是直接在Linux中编写⽂件⾃然不会出现这个，但在Windows+Pycharm中，在windows下编辑的.sh⽂件的格式为dos格式，⽽linux只能执⾏格式为unix格式的脚本。因为在dos/window下按⼀次回车键实际上输⼊的是“回车（CR)”和“换⾏（LF）”，⽽Linux/unix下按⼀次回车键只输⼊“换⾏（LF）”，所以修改的sh⽂件在每⾏都会多了⼀个CR，所以Linux下运⾏时就会报错不到命令。另外就是当你在github上使⽤windows 系统下载源⽂件中包含shell脚本⽂件 时，当你解压并拷贝到Linux系统执⾏时，也可能发⽣此问题。
解决办法是：通过vi编辑器来查看⽂件的format格式。步骤如下：
1.⾸先在sh⽂件下⽤vi命令打开
vi train.sh
2.在vi命令模式中使⽤ :set ff 命令
可以看到⽂件的格式为
fileformat=dos
3.修改⽂件format为unix
使⽤vi/vim修改⽂件format
命令：:set ff=unix
或者：:set fileformat=unix
然后:wq保存退出，重新执⾏脚本就正常了
下图为修改后查询到的format格式，如图改为了unix格式