本文主要介紹了如何使用TensorFlow環境運行一個最基本的圖像分類器（Win10系統）。源碼地址https://github.com/sourcedexter/tfClassifier/tree/master/image_classification
（這個大神好像改名了，原來叫akshaypai來着）
一．基礎概念介紹
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，相當於我們的運行環境。
2.神經網絡與Inception v3體系結構模型
神經網絡示意圖如下：
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絡模型。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、測試集和驗證集
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，測試集用來測試模型的准確程度。三種圖片集的比例會對准確度產生影響。
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，會導致准確率在訓練的過程中不斷上下跳動，如果速率過小會導致在訓練結束前無法到達預期准確度。
二．環境搭建
1.Python環境搭建
具體的python搭建細節可以自行百度。參考鏈接：
https://blog.csdn.net/lyj_viviani/article/details/51763101
這里要注意一下版本，因為要對應后文的cuDnn庫與cuda的版本。（我用的是python 3.6.4）
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准備的加速庫）。
（2）cuda安裝
cuda v8.0安裝包下載：https://developer.nvidia.com/cuda-downloads
進行如下選擇：
下載完后正常安裝就可以了。
（3）cuDnn庫下載
下載鏈接：https://developer.nvidia.com/rdp/cudnn-archive
我下載的是這個版本（cuDNN v7.0.5），這個版本要對應好cuda的版本。
下載完后解壓縮，出現如下文件夾結構：
然后將這三個文件夾下的文件分別拷貝到cuda對應的文件夾下面就行了。
到這里還不能完整的運行，還需要配置一下環境變量：cuda安裝完成后默認的環境變量配置不對，CUDA_PATH是C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0,但是這樣不能直接訪問到bin和lib\x64下的程序包，在path中加上這兩個路徑即可。
（4）測試
用如下代碼測試：
import tensorflow as tf
hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
三．基本使用
1.數據集的收集與創建
我用的是2018全球AI挑戰賽的數據集。鏈接：
https://challenger.ai/datasets/lad2018
下載完后，將所有文件夾都放在一個文件夾下（我自己創建了一個叫DataSet），結構如下：
文件夾的名字就是最后輸出的分類的結果。
每一個文件夾下都是圖片（不能再有子文件夾），即：
2.訓練模型
訓練模型使用retrain_new.py腳本。在命令行運行，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文件的存放路徑 --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 測試集比例 --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：
model_dir參數：指定了model的存放位置，就是我們的inception文件夾
image_dir參數：指定了數據集的位置
output_graph參數：產生的output_graph.pb文件的存放路徑（后面要用）
output_labels 參數：產生的output_labels.txt的存放路徑（后面要用）
how_many_training_steps參數：訓練步數，和學習速率配合調整（我用的500）
learning_rate參數：學習速率，和訓練步數配合調整（我用的0.3，常用的有0.001，0.01，0.1，0.3，1，3，可自己調整嘗試一下）
testing_percentage參數：測試集比例
validation_percentage參數：驗證集比例
注意：訓練會在根目錄下生成一個tmp文件夾，存放相關文件，即：
3.測試模型
核心的文件是output_graph.pb文件（我們訓練所產生的圖，是一個二進制文件）和output_labels.txt文件。
使用retrain_model_classifier.py腳本來測試模型。命令格式如下：
E:
cd E:\tfclassifier\image_classification（進入retrain_model_classifier.py腳本所在的目錄）
python retrain_model_classifier.py 要識別圖片的路徑
例如：
python retrain_model_classifier.py D:\test2\testPic.jpg
然后會看到一些版本信息，和輸出結果（紅框部分）：
四．遇到的問題以及解答
1.版本對應問題
Python版本，cuda版本和cuDNN版本都是對應的，如果結果中出現了亂碼，很大概率是版本的問題。
2.帶參數的python腳本編寫與運行
想讓python腳本帶參數，可以在python腳本的末尾添加如下格式的代碼：
運行時需要在python xxx.py后加上“--image_dir 參數”就可以了。
3.測試腳本的調整
要不斷訓練、測試，不斷調整參數，直到訓練快要結束的時候，驗證比例達到穩定，並且在90以上，我們才認為系統較為完善。
五．參考鏈接：
深度學習動手入門：GitHub上四個超棒的TensorFlow開源項目
http://www.techweb.com.cn/news/2017-07-31/2566452.shtml
Win10 TensorFlow（gpu）安裝詳解
https://blog.csdn.net/sb19931201/article/details/53648615
用Inception-V3模型進行圖像分類
https://blog.csdn.net/xingwei_09/article/details/79152796
谷歌機器學習速成課程
https://developers.google.cn/machine-learning/crash-course/prereqs-and-prework