TensorFlow圖像識別（物體分類）入門教程

本文主要介紹瞭如何使用TensorFlow環境運行一個最基本的圖像分類器（Win10系統）。源碼地址https://github.com/sourcedexter/tfClassifier/tree/master/image_classification
（這個大神好像更名了，原來叫akshaypai來着）

一．基礎概念介紹

1.物體分類的思想

物體分類，也就是訓練系統識別各個物體，如貓咪、狗狗、汽車等。TensorFlow是谷歌開發出的人工智能學習系統，至關於咱們的運行環境。

2.神經網絡與Inception v3體系結構模型

神經網絡示意圖以下：

通俗了講，就是將若干個輸入，進行若干次操做（線性或者非線性），最後輸出結果。Inception v3模型是谷歌發佈的一個深層卷積網絡模型。咱們使用的retrain_new.py腳本就是使用了Inception v3模型進行一個遷移學習。

3.訓練集、測試集和驗證集

訓練集用來訓練模型，驗證集用來驗證模型是否進行了過擬合，測試集用來測試模型的準確程度。三種圖片集的比例會對準確度產生影響。

4.學習速率

不一樣的學習速率會致使不一樣的結果。若是速率過大，會致使準確率在訓練的過程當中不斷上下跳動，若是速率太小會致使在訓練結束前沒法到達預期準確度。

二．環境搭建

1.Python環境搭建

具體的python搭建細節能夠自行百度。參考連接：
https://blog.csdn.net/lyj_viviani/article/details/51763101
這裏要注意一下版本，由於要對應後文的cuDnn庫與cuda的版本。（我用的是python 3.6.4）

2.TensorFlow環境搭建（gpu）

（1）直接pip安裝。命令：

pip install tensorflow-gpu

這樣就安裝好TensorFlow了，可是咱們還須要GPU加速，因此還須要安裝cuda和cuDnn（專門爲deep learning準備的加速庫）。

（2）cuda安裝

cuda v8.0安裝包下載：https://developer.nvidia.com/cuda-downloads
進行以下選擇：

下載完後正常安裝就能夠了。

（3）cuDnn庫下載

下載連接：https://developer.nvidia.com/rdp/cudnn-archive
我下載的是這個版本（cuDNN v7.0.5），這個版本要對應好cuda的版本。

下載完後解壓縮，出現以下文件夾結構：

而後將這三個文件夾下的文件分別拷貝到cuda對應的文件夾下面就好了。

到這裏還不能完整的運行，還須要配置一下環境變量：cuda安裝完成後默認的環境變量配置不對，CUDA_PATH是C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0,可是這樣不能直接訪問到bin和lib\x64下的程序包，在path中加上這兩個路徑便可。

（4）測試

用以下代碼測試：

import tensorflow as tf

hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()

三．基本使用

1.數據集的收集與建立

我用的是2018全球AI挑戰賽的數據集。連接：
https://challenger.ai/datasets/lad2018
下載完後，將全部文件夾都放在一個文件夾下（我本身建立了一個叫DataSet），結構以下：

文件夾的名字就是最後輸出的分類的結果。
每個文件夾下都是圖片（不能再有子文件夾），即：

2.訓練模型

訓練模型使用retrain_new.py腳本。在命令行運行，命令格式以下：

python retrain_new.py --model_dir 存放classify_image_graph_def.pb的路徑 --image_dir 剛纔的建立的DataSet的路徑 --output_graph 產生的,pb文件的存放路徑 --output_labels 產生的output_labels.txt的 存放路徑 --how_many_training_steps 訓練步數 --learning_rate 學習速率 --testing_percentage 測試集比例 --validation_percentage 驗證集比例

示例命令：

python retrain_new.py --model_dir E:\tfclassifier\image_classification\inception --image_dir E:\tfclassifier\DataSet --output_graph E:\tfclassifier\image_classification\output_dir\output_graph.pb  --output_labels E:\tfclassifier\image_classification\output_dir\output_labels.txt --how_many_training_steps 500 --learning_rate 0.3 --testing_percentage 10 --validation_percentage 10

說明：
model_dir參數：指定了model的存放位置，就是咱們的inception文件夾
image_dir參數：指定了數據集的位置
output_graph參數：產生的output_graph.pb文件的存放路徑（後面要用）
output_labels 參數：產生的output_labels.txt的存放路徑（後面要用）
how_many_training_steps參數：訓練步數，和學習速率配合調整（我用的500）
learning_rate參數：學習速率，和訓練步數配合調整（我用的0.3，經常使用的有0.001，0.01，0.1，0.3，1，3，可本身調整嘗試一下）
testing_percentage參數：測試集比例
validation_percentage參數：驗證集比例
注意：訓練會在根目錄下生成一個tmp文件夾，存放相關文件，即：

3.測試模型

核心的文件是output_graph.pb文件（咱們訓練所產生的圖，是一個二進制文件）和output_labels.txt文件。
使用retrain_model_classifier.py腳原本測試模型。命令格式以下：
E:
cd E:\tfclassifier\image_classification（進入retrain_model_classifier.py腳本所在的目錄）
python retrain_model_classifier.py 要識別圖片的路徑
例如：
python retrain_model_classifier.py D:\test2\testPic.jpg

而後會看到一些版本信息，和輸出結果（紅框部分）：

四．遇到的問題以及解答

1.版本對應問題

Python版本，cuda版本和cuDNN版本都是對應的，若是結果中出現了亂碼，很大機率是版本的問題。

2.帶參數的python腳本編寫與運行

想讓python腳本帶參數，能夠在python腳本的末尾添加以下格式的代碼：

運行時須要在python xxx.py後加上「--image_dir 參數」就能夠了。

3.測試腳本的調整

要不斷訓練、測試，不斷調整參數，直到訓練快要結束的時候，驗證比例達到穩定，而且在90以上，咱們才認爲系統較爲完善。

五．參考連接：

深度學習動手入門：GitHub上四個超棒的TensorFlow開源項目
http://www.techweb.com.cn/news/2017-07-31/2566452.shtml
Win10 TensorFlow（gpu）安裝詳解
http://www.javashuo.com/article/p-csmdhpiw-et.html
用Inception-V3模型進行圖像分類
https://blog.csdn.net/xingwei_09/article/details/79152796
谷歌機器學習速成課程
https://developers.google.cn/machine-learning/crash-course/prereqs-and-prework