一，前言

利用暑假學習了一段時間的DL，德國交通標誌馬上實踐一下，下面主要提到我用的模型以及資料處理，如果有哪些地方大佬們覺得哪些地方做得不好或者可以改進得，非常歡迎直接在評論裡提出來，初學需要一起努力。

二，資料

我只需要上面四類檔案中“影象與註釋”的內容（其他feature我也不會用。。。），下載下來之後開啟看看檔案構成。

像官網介紹的一樣，一共43個種類的資料，43個資料夾，每個資料夾都有小到幾百張，大到上千張圖片，在檔案的最後都以csv格式給出來了label，影象用ppm格式給了出來，接下來我們嘗試對資料進行處理。

1， 首先官網給出了從資料夾中讀取資料的py程式，可以直接拿來用，可以省掉很多時間，我們先來看看他的程式以及讀取結果。

上面中文註釋是我看程式的時候加上去的方便理解，range()函式中的數字是你要讀取的檔案種類，現在是(1,2)，表示讀取了第二類檔案！如果全資料集的話應該是(0,43),中間有一段resize()函式，這一段是方便讀取的時候就統一照片尺寸，有利於後面的引數設定。

接下來用matplotlib繪製圖像，將每個種類的第一張照片以及他的數量輸出，程式碼以及效果如下圖所示：

三，模型分析

對資料有了初步的認識，接下來我們就要準備模型，這裡選擇了難度程度較低的LeNet-5模型，LeNet-5模型由兩個卷積層與兩個池化層，以及兩個全連線層構成。在前向傳播traffic_inference中卷積層，池化層以及全連線層的引數設定如下：第一層卷積層深度為32，卷積核大小為5，第一層池化層中strides=[1,2,2,1],padding='SAME'。第一層全連線節點個數為512

後面的卷積層以及池化層引數設定都類似，這裡不再一一寫出 ， 下面給出一組卷積層以及池化層的程式碼作為參考。

接下來應該是全連線神經網路，現在我們的資料是一個矩陣形式，而全連結神經網路需要我們把資料進行“拍扁”，變成一維的資料才能繼續進行，我們對矩陣進行拉伸成一個一維陣列，具體程式碼如下：

上面經過第二層池化層之後，我們將資料通過pool2的shape()函式來獲取裡面一共有多少個引數，將其轉化為list，注意我們是一個一個batch訓練的，所以shape中的第一個數字表示batch_size的大小，後面才是我們的引數，求得nodes之後我們就求得了pool2中一共的引數個數，通過reshape()函式我們將pool2重現拉伸為一維陣列，之後便可以輸入到全連結神經網路中，具體程式碼最後給出。

目前為止我們實現了前向傳播的整個過程，接下來我們要實現反向傳播過程，也就是我們的迴圈訓練過程，所有程式碼在最後的github連線中給了出來

其中我們定義了滑動平均類為: variable_average = tf.train.ExponentialMovingAverage(MOVING_AVERAGE_DECARY, global_step) 其中我們設定了MOVING_AVERAGE_DECARY中是滑動平均率，滑動平均可以讓我們採取一種這種的方式更新我們的引數，可以防止一定的噪聲。

cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=y, labels=tf.argmax(y_,1))

cross_entropy採用了tf.nn.sparse_softmax_cross_entropy_with_logits(),因為最後的結果只有一個，所以可以採用上面的函式，把損失函式和softmax（）函式結合到一起了，加快了運算速度，而最後的tf.argmax()函式是因為你的正確標籤是one-hot型別的，至於如何轉換成one-hot型別我們等會再說

learning_rate = tf.train.exponential_decay( LEARNING_RATE_BASE, global_step, 400, LEARNING_RATE_DECAY, staircase = True )

learning_rate採用的指數下降函式，學習率剛開始設定一個合適的值，然後隨著訓練輪數的疊加而不斷降低，這樣我們就可以在迭代後期採用較小的學習率防止產生loss區線震盪，同時學習率也不宜過大，如果過大會出現loss值是None或者非常大的情況，如果出現說明你應該調低你的初始學習率，調低大概2-3個位數。

我們通過官網給出來的程式讀取的資料不可以直接放進網路中訓練！

不管是images的資料還是標籤的資料都不符合網路要求。 ①首先我們應該把照片的size重新置成一個固定值，這個我們已經在讀取程式中更改過了，就是在readTrafficSign.py中的resize()函式中做的。 ②接下來將圖片矩陣轉換成numpy矩陣才可以輸入到網路中。而且讀取出來的標籤中是str格式，我們也需要將其轉換成int形式，並且轉換成one-hot資料形式，普通的資料list不能被演算法學習，簡單來說就是你輸入進去一堆一維的陣列，每個數字都表示一個例項的標籤，感覺資料和標籤都輸入進去就可以訓練了，但是有一個問題，程式根本不知道你有多少個標籤，以後可以嘗試用sklearn來快速轉化一下（無奈現在還不會），所以現在我們需要構造一個稀疏矩陣，具體程式碼如下：

這樣的話資料就可以使用了，用一個一個batch_size輸入到程式中訓練，需要注意的是從檔案中讀取資料訓練的時候需要打亂順序讀取，不再給出打亂檔案的程式自己感興趣的可以自己完成。

其實中間還有很多細節沒有提到，其中的具體內容就不在這裡寫出來，感興趣可以去看一看。