本文主要介紹瞭如何使用TensorFlow環境執行一個最基本的影象分類器（Win10系統）。原始碼地址https://github.com/sourcedexter/tfClassifier/tree/master/image_classification （這個大神好像改名了，原來叫akshaypai來著）

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慧學習系統，相當於我們的執行環境。

2.神經網路與Inception v3體系結構模型

神經網路示意圖如下：

通俗了講，就是將若干個輸入，進行若干次操作（線性或者非線性），最後輸出結果。Inception v3模型是谷歌釋出的一個深層卷積網路模型。我們使用的retrain_new.py指令碼就是使用了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

不同的學習速率會導致不同的結果。如果速率過大，會導致準確率在訓練的過程中不斷上下跳動，如果速率過小會導致在訓練結束前無法到達預期準確度。

二．環境搭建

1.Python環境搭建

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，但是我們還需要GPU加速，所以還需要安裝cuda和cuDnn（專門為deep learning準備的加速庫）。

（2）cuda安裝

下載完後正常安裝就可以了。

（3）cuDnn庫下載

下載完後解壓縮，出現如下資料夾結構：

然後將這三個資料夾下的檔案分別拷貝到cuda對應的資料夾下面就行了。

到這裡還不能完整的執行，還需要配置一下環境變數：cuda安裝完成後預設的環境變數配置不對，CUDA_PATH是C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0,但是這樣不能直接訪問到bin和lib\x64下的程式包，在path中加上這兩個路徑即可。

（4）測試

用如下程式碼測試：

import tensorflow as tf

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

三．基本使用

1.資料集的收集與建立

我用的是2018全球AI挑戰賽的資料集。連結：https://challenger.ai/datasets/lad2018 下載完後，將所有資料夾都放在一個資料夾下（我自己建立了一個叫DataSet），結構如下：

資料夾的名字就是最後輸出的分類的結果。
每一個資料夾下都是圖片（不能再有子資料夾），即：

2.訓練模型

訓練模型使用retrain_new.py指令碼。在命令列執行，命令格式如下：

python retrain_new.py --model_dir 存放classify_image_graph_def.pb的路徑 --image_dir 剛才的建立的DataSet的路徑 --output_graph 產生的,pb檔案的存放路徑 --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引數：指定了model的存放位置，就是我們的inception資料夾 image_dir引數：指定了資料集的位置 output_graph引數：產生的output_graph.pb檔案的存放路徑（後面要用） output_labels 引數：產生的output_labels.txt的存放路徑（後面要用） how_many_training_steps引數：訓練步數，和學習速率配合調整（我用的500） learning_rate引數：學習速率，和訓練步數配合調整（我用的0.3，常用的有0.001，0.01，0.1，0.3，1，3，可自己調整嘗試一下） testing_percentage引數：測試集比例 validation_percentage引數：驗證集比例 注意：訓練會在根目錄下生成一個tmp資料夾，存放相關檔案，即：

3.測試模型

核心的檔案是output_graph.pb檔案（我們訓練所產生的圖，是一個二進位制檔案）和output_labels.txt檔案。 使用retrain_model_classifier.py指令碼來測試模型。命令格式如下： E: cd E:\tfclassifier\image_classification（進入retrain_model_classifier.py指令碼所在的目錄） python retrain_model_classifier.py 要識別圖片的路徑 例如： python retrain_model_classifier.py D:\test2\testPic.jpg

然後會看到一些版本資訊，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，如果結果中出現了亂碼，很大概率是版本的問題。

2.帶引數的python指令碼編寫與執行

想讓python指令碼帶引數，可以在python指令碼的末尾新增如下格式的程式碼：

執行時需要在python xxx.py後加上“--image_dir 引數”就可以了。

3.測試指令碼的調整

要不斷訓練、測試，不斷調整引數，直到訓練快要結束的時候，驗證比例達到穩定，並且在90以上，我們才認為系統較為完善。

五．參考連結：