对自己深度学习搭建图像识别过程进行总结

1、对输入的图像数据 x 进行处理，输出一个经过正规化的、Numpy array 格式的图像数据,x是一个数组，

x是一个多维的列表，先使用函数转化为多维数组。然后正规化就是把0-255的数值化为0-1内进行计算。

       我使用np.array(x)把它化为数组，然后除以255。.

导师建议：可以尝试如 (x-np.min(x))/(np.max(x)-np.min(x)) 的写法 ，从而避免在函数实现里hard coding部分变量或参数的值。

2、对标签进行独热编码，已知现有图像的编码为0-9，一共有10类。首先对0-9编码，然后对label数据进行fit，挨个分类。

        lb.fit([0,1,2,3,4,5,6,7,8,9])也可以使用range（10）
   

3、对所有数据应用以上两个函数

4、搭建tensorflow，先进行输入数据，形式如image_shape(None,32,32,3)

• 
  
  • 两个元组连起来 可以使用 tuple([None])+image_shape
        
        k = tf.placeholder(dtype = tf.float32, shape = b,name = 'x')
         
        
    
• 修改标签输入函数格式如（None，n_output）：
  • 
    
  •       两个元素组成元组，可以先组成列表，然后组成元组 tuple([None,n_classes])
        
        i = tf.placeholder(dtype = tf.float32, shape = b,name = 'y')
      
• 修改 保留概率函数,是一个常数，0-1：

  • i= tf.placeholder(dtype = tf.float32,name = 'keep_prob')

5、定义层

5.1卷积层+最大池化，取得tensor，shape里的一个数字，方法tf.cast(x_tensor.shape[-1],tf.int32)，取得倒数第二个数。卷积层可以设置1-3个，输出层数最好由小到大，是2的整数次方，比如64，128,256，另外由于maxpool有防止过拟合的功能，所以卷积层里面可以不加防止过拟合的dropout。由于是32x32的输入图片，比较小，所以卷积核希望小点，才能防止漏了特征，比如3*3这样，步长1即可，最大化池设置2*2为好，步长2，这样不重复采样。

加一句，卷积核的计算过程，是对3个通道分别进行卷积，得到的结果相加，这样一个卷积核会得到一层输出，而不是3层，n个卷积核会得到n层输出。

weights = tf.Variable(tf.truncated_normal(shape=[卷积核高,卷积核宽,输入深度,卷积核数量],mean=0,stddev=0.1))    

bias = tf.Variable(tf.zeros(卷积核数量))         

conv=tf.nn.conv2d(x_tensor,weights,strides=[1,步长高，步长宽,1],padding='SAME')    

conv=tf.nn.relu(tf.nn.bias_add(conv,bias))        

conv_pool=tf.nn.max_pool(conv,ksize=[1, 池化高，池化宽, 1],    strides=[1, 池步长高，池步长宽, 1],    padding='SAME')

权重设置为接近0又不等于0，所以把标准差设置的很小。conv-ksize,是卷积核大小，conv_num_outputs是输出层数，相应的pool_就是池化核大小和输出层数。

5.2展开层，直接用的tf.layers里面的函数。

y=tf.layers.Flatten()(x_tensor)

5.3全连接层，主要用于分类，使用relu激活函数，减少计算量，可以设置1-3层，输出由大到小，最好是2的次方，比如512,256，128

y = tf.layers.dense(inputs=x_tensor, units=num_outputs, activation=tf.nn.relu)

5.4 输出层，不使用激活函数的全连接层。

y = tf.layers.dense(inputs=x_tensor, units=num_outputs)

6、对神经网络进行优化，x是输入，y是标签，keep_prob是保留概率。

session.run(optimizer, feed_dict={x:feature_batch,y:label_batch,keep_prob:keep_probability}

7、打印lost和accuracy，保留概率设置为1，进行计算lost，和accuracy

print (session.run(cost, feed_dict={x:feature_batch,y:label_batch,keep_prob:1}))

print (session.run(accuracy, feed_dict={x:valid_features,y:valid_labels,keep_prob:1}))

8、设置代数，样本大小，和保留概率，样本大小最好为64,128,256等，保留概率这里0.5-0.7都可以，代数一般10-20

epochs = 10
batch_size = 64
keep_probability = 0.7

9、进行训练

for epoch in range(epochs):
        batch_i = 1
        for batch_features, batch_labels in helper.load_preprocess_training_batch(batch_i, batch_size):
            train_neural_network(sess, optimizer, keep_probability, batch_features, batch_labels)
        print('Epoch {:>2}, CIFAR-10 Batch {}:  '.format(epoch + 1, batch_i), end='')
        print_stats(sess, batch_features, batch_labels, cost, accuracy)