TensorFlow计算框架训练图片

本文主要讲解了关于使用Tensorflow进行图片训练的过程，其中包括数据的准备、模型的准备、启动训练以及验证以及Tensorboard过程监控，本次训练采用了经典的slim框架。

第一部分数据准备：

基于Tensorflow框架的限制以及为了加快数据的读取，输入tensorflow进行计算的图像数据第一步需要打包成tfrecord格式，TFRecords其实是一种二进制文件，它可以更好的利用内存，更方便复制和移动：
先将图片整理，一个文件夹一个类，一般打乱的图片数据集有xml文件，可以写一个python程序，用python 应用xml.dom.minidom读xml文件；
运行Turn_to_record.py文件将分好类的文件夹生成tf-record，对应也会生成一个label文件。一般是1024张图片一个record，record数量可以自己在程序里设置，设置record参数为_NUM_SHARDS = 2。

我以行人数据集作为例子，文件夹名字为行人的ID，一个行人只有一个ID，但是一个行人可以多角度的拍摄很多图片，把同一个行人放到一个文件夹下。

第二部分：模型的准备

本次训练采用了综合性能比较高的Inception v4模型，Inception V4收敛速度更快。

该模型的下载地址：https://github.com/tensorflow/models/tree/master/slim

第三部分：启动训练

运行python文件train_image_classifier.py，在此之前无论是ubuntu还是windows都需要修改相应的record读入路径，以及指定基本的learning_rate、batch_size和model_name，一般用tensorflow计算，用python3更好。

第四部分：Tensorboard监控

tensorboard –logdir=/tmp/mytrain

第一张是对代价函数的监测图，当代价函数趋近于平稳时则训练可以停止；第二张是显示电脑IO读取情况图，一般不超过1是正常，如果超过1则说明训练使用的电脑IO读取不正常，应该考虑换动态硬盘，第二张图如果不正常会影响图片的读取，会影响最后的精度。
除了上述两张图，在tensorboard中还可以查看各层神经网络的稀疏性即神经元的使用情况，learning rate的变化图等等。

注明：
代码均在：https://github.com/isiosia/models/tree/master/slim