基于TensorFlow的食物影像識別-有解無憂

　　參考https://github.com/sourcedexter/tfClassifier/tree/master/image_classification

　　　　https://download.csdn.net/download/yang_china/11467532?spm=1001.2101.3001.5697

　　主要介紹如何在win10系統中使用TensorFlow環境運行一個最基本的影像分類器，

　　一、基礎知識

　　　　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能學習系統，相當于我們的運行環境，

　　　　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），最后輸出結果，Inception v3模型是谷歌發布的一個深層卷積網路模型，我們使用的retrain_new.py腳本就是使用了Inception v3模型進行一個遷移學習，

　　　　3.訓練集、測驗集和驗證集

　　　　　　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，測驗集用來測驗模型的準確程度，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程序中不斷上下跳動，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.具體環境搭建可以查看之前的文章，

　　　　　　主要逐注意版本對應，

　　　　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

　　　　　　　　下載完后正常安裝就可以了，

　　　　　　（3）cuDnn庫下載

　　　　　　　　下載完后解壓縮，將三個檔案拷貝到相應的檔案中即可，一定注意對應覆寫，

　　　　　　（4）測驗

　　　　　　　　import tensorflow as tf

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

　　　　　　　　sess = tf.Session()

　　　　　　　　查看是否輸出，

　　　三．基本使用

　　　　1.資料集的收集與創建

　　　　　　我用的是2018全球AI挑戰賽的資料集，鏈接：https://challenger.ai/datasets/lad2018

　　　　2.訓練模型

　　　　　　訓練模型使用retrain_new.py腳本，在命令列運行，命令格式如下：

　　　　　　python retrain_new.py --model_dir 存放classify_image_graph_def.pb的路徑 --image_dir 剛才的創建的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 測驗集比例 --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：　　　　