3.3.3　模型训练及保存

在定义模型架构和编译之后，通过训练集训练模型，识别花卉。这里，将使用训练集和测试集拟合、改进，并保存模型。

1．模型训练

本部分包括CNN模型训练和Inception-V3模型训练。

1）CNN模型训练

CNN模型是本项目对于花卉分类的基本模型，相关代码如下：

训练输出结果如图3-8所示。

通过观察训练集和测试集的损失函数、准确率的大小评估模型的训练程度，进行模型训练的进一步决策。

2）Inception-V3模型训练

CNN模型对于花卉的分类准确率大概在70%左右。因此，得出的改进方法为，采用迁移学习调用Inception-v3模型实现对本文中的花卉数据集分类。

Inception系列解决CNN分类模型的两个问题：①如何使网络深度增加的同时让模型的分类性能随之增加，而非像简单的VGG网络达到一定深度后就陷入了性能饱和的困惑。②如何在保证分类网络准确率提升或保持不降的同时，使模型的计算开销与内存开销降低。在这个模型中最后一层全连接层之前统称为瓶颈层。Inception-v3模型下载地址为https://storage.googleapis.com/download.tensorflow.org/models/inception_dec_2015.zip，相关代码如下：

训练输出结果如图3-9所示。

使用Inception-V3模型的分类准确率在95%左右，准确率得到了较好的改善。经过对比，选择准确率更高的Inception-V3模型进行分类。

2．模型保存

为能够被Android程序读取，需要将模型文件保存为.pb格式，利用TensorFlow中的graph_util模块进行模型保存。

模型被保存后，可以被重用，也可以移植到其他环境中使用。