1、源碼下載與依賴安裝
（1）安裝git，git安裝過程可自行百度。
（2）下載一個由tensorflow搭建的訓練框架，該框架封裝了google-inceptionV4算法及其他一些圖像分類算法。下載命令如下：
git clone https://github.com/MachineLP/train_arch
2、安裝參數配置、算法安裝與demo驗證
（1）進入train_arch /train_cnn_v1目錄，命令如下：
cd train_arch/ train_cnn_v1
該目錄下除了test目錄是用於模型測試的以外，剩下的所有目錄和文件均用於模型訓練。
以下是對各個目錄及文件作用的簡要描述：
gender：存放訓練集圖片的目錄。這是一個示例訓練集，如果想訓練自己的模型，只需要新建一個自己的目錄，不同類別的圖片以不同的目錄存放。
lib：當前框架所依賴的各種核心庫目錄。
1）model： 各網絡模型模塊。
2）data_aug： 用於圖像增強，里邊包含兩種方法。
3）grad_cam： 可視化模塊。
4）data_load： 加載訓練數據模塊。
5）train： 模型訓練模塊。
6）utils： 工具模塊。
7）loss： 損失函數模塊。
8）optimizer： 優化方法模塊。
model： 訓練過程中保存模型的目錄。
pretrain： 存放遷移學習中預訓練模型的目錄。
config.py： 用於設置訓練過程中模型參數的腳本。
main.py： 啟動訓練腳本 （python main.py）
vis_cam.py：可視化腳本（python vis_cam.py）
ckpt_pb.py：用於將訓練生成的ckpt模型文件轉成tensorflow支持的pb格式的模型。
test：用於模型測試目錄，包括單張和批量圖片測試的腳本。
（2）執行訓練腳本，驗證是否能生成分類模型
在config.py中，已經配置了針對gender目錄中圖片分類的模型參數，可以直接進行模型訓練，執行：
python3 main.py
在迭代2000次之后，就可以在model目錄中看到生成的模型。
3、訓練數據制作與訓練參數配置
（1）數據集制作：
新建一個目錄，作為存放訓練集圖片的根目錄，在該目錄下，根據圖片類別數新建相同個數的目錄（至少要有兩個類別），有多少個類別，就新建多少個目錄，目錄名就是類別名。將相同類別的圖片放到對應的同一個目錄中。
（2）配置文件修改
config.py腳本中包含了google-inceptionV4在訓練時需要配置的參數。這些參數包括：
# 訓練集根目錄
sample_dir = "gender"
# 需要分類的類別數量
num_classes = 4
# 最小批訓練的大小
batch_size = 2
#
選擇使用的模型，還可以根據自己的喜好，選擇arch_multi_alexnet_v2或arch_multi_vgg16_conv
arch_model="arch_inception_v4"
# 選擇訓練的網絡層
checkpoint_exclude_scopes = "Logits_out"
# dropout的大小
dropout_prob = 0.8
# 選擇訓練樣本的比例
train_rate = 0.9
# 整個訓練集上進行多少次迭代
epoch = 2000
# 是否使用提前終止訓練
early_stop = True
EARLY_STOP_PATIENCE = 1000
# 是否使用learning_rate
learning_r_decay = True
learning_rate_base = 0.0001
decay_rate = 0.95
height, width = 299, 299
# 模型保存的路徑
train_dir = 'model'
# 是否進行fine-tune。 選擇fine-tune的的參數
fine_tune = False
# 是否訓練所有層的參數
train_all_layers = True
# 遷移學習的網絡模型參數
checkpoint_path = 'pretrain/inception_v4/inception_v4_2016_09_09.ckpt'
注意，checkpoint_path參數設置的值要跟arch_model對應，比如arch_model設置的是arch_inception_v4，那么checkpoint_path就要設置inception_v4相關的預訓練模型參數，而不能使用inception_resnet_v2相關的預訓練模型參數。
模型訓練中途停止后，如果想繼續訓練，需要修改上述的checkpoint_path，步驟是：
將model中的最新生成的模型文件移動至新建的目錄中，比如，最新生成的模型文件是model.ckpt-808.index
model.ckpt-808.data-00000-of-00001
注意，每次迭代生成的模型文件都是成對出現的，類似上面這兩個文件的命名格式。那么就將這兩個文件移動到新建的model_continue中，然后修改checkpoint_path
= 'model_continue/model.ckpt-808'
4、模型訓練與測試
（1）模型訓練：
這里使用遷移學習的方式進行訓練，所以要先下載inception_v4相關的預訓練模型參數inception_v4_2016_09_09.ckpt（即在別人預先訓練好的模型基礎上，接着訓練自己的數據集，用別人已訓練好的網絡參數作為自己網絡的初始化參數，並對其進行訓練），下載地址為：
http://download.tensorflow.org/models/inception_v4_2016_09_09.tar.gz
下載完成后，將預訓練模型移動到pretrain目錄中，即進行如下操作：
tar -zxvf inception_v4_2016_09_09.tar.gz
cd pretrain
mkdir inception_v4
mv ../inception_v4_2016_09_09.ckpt inception_v4
開始訓練，命令如下：
python3 main.py
訓練過程中，會在model目錄中生成各迭代階段的模型。最終會保存最近幾次迭代生成的模型。
（2）模型格式轉換
模型訓練完成后並不能直接使用，而要將其轉成tensorflow支持的pb格式。利用ckpt_pb.py進行轉換，命令如下：
python3 ckpt_pb.py
腳本執行完成后，會在model目錄中生成frozen_model.pb，這就是轉換格式后的模型文件，文件名可在ckpt_pb.py中修改：
如果修改了模型文件名，該腳本中的以下位置的文件名也要做相應修改：
（3）模型測試
選擇一張測試圖片test.png（屬於訓練集類別中的某一種類別的圖片）進行模型測試，命令如下：
python3 predict.py -m model/frozen_model.pb test.png
其中，-m model/frozen_model.pb 是指定模型路徑，最后面是待測試的圖片路徑。
此時就可以在命令行看到模型對當前圖片的預測結果。