Deep Learning-TensorFlow TFLearn 快速搭建深度学习模型Alxnet

环境：ubantu16.04 

软件：python2.7/cuda8.0

GPU:GTX1060

TensorFlow安装： pip install tensorflow-gpu (GPU版)

TFLearn安装：pip install tflearn

TFLearn

TFLearn 是一个构建在 TensorFlow 之上的模块化和透明的深度学习库。它为 TensorFlow 提供高层次 API，目的是便于快速搭建试验环境，同时保持对 TensorFlow 的完全透明和兼容性。

它的特点：

• 容易使用和易于理解的高层次 API 用于实现深度神经网络，附带教程和例子；
• 通过高度模块化的内置神经网络层、正则化器、优化器等进行快速原型设计；
• 对 TensorFlow 完全透明，所有函数都是基于 tensor，可以独立于 TFLearn 使用；
• 强大的辅助函数，训练任意 TensorFlow 图，支持多输入、多输出和优化器；
• 简单而美观的图可视化，关于权值、梯度、特征图等细节；
• 无需人工干预，可使用多 CPU、多 GPU；
• 高层次 API 目前支持最近大多数深度学习模型，像卷积网络、LSTM、BiRNN、BatchNorm、PReLU、残差网络、生成网络、增强学习。

1.安装:pip install tflearn

2.案例:

    在 tflearn/examples/images/alexnet.py 下学习如何用 TFLearn 实现 AlexNet 用于 Oxford 17 类鲜花 数据集分类任务。用于 ImageNet 的 AlexNet 网络：

针对 Oxford 17类鲜花问题作出的修改：

1. 输入图像尺寸变为 227 x 227；
2. 将 2-tower 架构改为 single-tower；
3. 最后一个分类层的输出类别数从 1000 变为 17。

   直接运行 alexnet.py 文件将自动下载 Oxford 17 flowers 数据集进行训练,数据集包含17种类别,每种类别80张图片

   训练过程

 

训练集:1224张,测试集:136张

迭代5000次,acc达99.95%