人工智能(AI)库TensorFlow 踩坑日记之二

上次 踩坑日志之一 遗留的问题终于解决了，所以作者（也就是我）终于有脸出来写第二篇了。

　　　首先还是贴上 卷积算法的示例代码地址 ：https://github.com/tensorflow/models

　　 　这个库里面主要是一些常用的模型用tensorflow实现之后的代码。其中我用的是

　　　　models/tree/master/tutorials/image/cifar10 这个示例，上一篇也大致讲过了。

　　　关于上次遇到问题是：

虽然训练了很多次，但是每次实际去用时都是相同的结果。这个问题主要原因是

在核心代码文件cifar10.py里

tf.app.flags.DEFINE_integer('batch_size', 128,
                            """Number of images to process in a batch.""")

　　

被我改成 batch_size =1

一开始我误以为这个batch要跟训练文件的.bin 文件里面的图片数量对应，其实不然。这个batch_size 是为了用

cifar10_input.py

images, label_batch = tf.train.batch(
            [image, label],
            batch_size=batch_size,
            num_threads=num_preprocess_threads,
            capacity=min_queue_examples + 3 * batch_size)

创建一个图片跟标签的队列，每个队列128个元素，便于分布式处理。

由于改成1之后可能是影响是训练效果。导致整体的loss很高，所以识别率很差。有待进一步验证。

2018-03-11 修正

batch_size 作用就是一次性训练这么多次之后才开始做梯度下降，这样loss 的波动不会太大。

2018-06-19 补充

https://blog.csdn.net/ycheng_sjtu/article/details/49804041

看完这篇文章之后终于对batch_size 有了一个更深刻的理解。就是越小的batch会导致局部的梯度波动大，难以收敛。

另外一个原因很可能是最致命的

上一篇讲到label的对应方式是

# Create a queue that produces the filenames to read.
    filename_queue = tf.train.string_input_producer(filenames)

　label 也是用string_input_producer 做了另外一条字符串队列

因为label 是分类名称，也是图片所在文件夹的名称，所以我在外面把图片文件夹名称都丢到一个label的string队列里，然后里面做出队 depuqeue。

这其实是错误的，因为两条队列要完美保持一致，而且还不能加shuffle 参数 这个参数可以随机获取图片文件，以便训练模型效果更具备泛化能力。

# Create a queue that produces the filenames to read.
    filename_queue = tf.train.string_input_producer(filenames,name="filename_queue_hcq",shuffle=True)

shuffle=true 还是要加的。

label的获取方式就得另外想办法。

把 cifar10_input.py 方法 read_cifar10 改造如下：

def read_cifar10(filename_queue):
   class CIFAR10Record(object):
        pass

　　
  reader = tf.WholeFileReader()
    key, value = reader.read(filename_queue)

    image0 = tf.image.decode_jpeg(value,3)

    esized_image = tf.image.resize_images(image0, [32, 32],
                                          method=tf.image.ResizeMethod.AREA)
    result = ImageNetRecord()
    re2=splitfilenames(tf.constant( filenames),len(filenames))
    key=splitfilenames(tf.reshape(key,[1],name="key_debug"),1)
    label=diff(re2,key)

其中 splitilenames ，diff 方法是我新增的，主要是为了把文件所在目录的路劲切出来

def splitfilenames(inputs,allstringlen):
    a = tf.string_split(inputs, "/\\")
    bigin = tf.cast(tf.size(a.values) / allstringlen -2, tf.int32)
    slitsinglelen = tf.cast(tf.size(a.values) / allstringlen, tf.int32)
    val = tf.reshape(a.values, [allstringlen, slitsinglelen])
    re2 = tf.cast(tf.slice(val, [0, bigin], [allstringlen, 1]),tf.string)
    re2 =tf.reshape(re2,[allstringlen])
    re2 =tf.unique(re2).y
    return re2

比如”H:\imagenet\fortest\n01440764“ 切出来 “n01330764”。 这个方法是支持批量处理的。

之所以写的这么麻烦。是因为输入量是tensor，所以所有操作都必须按照tensorflow的api写。

diff方法（代码在下面） 是为了判定key 的分类名在所有分类里面的文件排序位置（数字0-1000以内）。用这个位置作为label。

这里 读者估计有一个疑问

“为啥不直接用分类名‘n01330764’作为label标签去训练呢？”

这里也是迫于无奈，因为原始代码cifar10的后续功能有2个限制，1，label必须是int型，2label最大值不能大于分类总数。所以不能简单把“n”删除然后转成数字 1330764 。

否则会出各种错。修正这2个问题明显比我新增一个diff方法改动更大。

虽然不太优雅，各位看官轻拍。

def diff(re2,key):

    keys = tf.fill([tf.size(re2)],key[0])

    numpoi= tf.cast(tf.equal(re2, keys),tf.int32)
    numpoi=tf.argmax(numpoi)
    return numpoi

2018-06-19 修正

后来这里取label的方法还是换成文件夹按字母排序后的位置作为label了。这样保险很多，而且性能也好一些。

好了，到止为止，train（训练过程）的代码就改完了,可以开始训练了。

cifar10_eval.py 这边需要改个地方。

if len(sys.argv)==1:
  SinglePicPath = "/tmp/8.jpg"
else:
  SinglePicPath =sys.argv[1]

通过参数传入 单图片的地址，用来放到生产环境执行识别程序。

先跑一下8.jpg 测试一下

得出来结果是0 之所以有这么多，是因为

cifar10_eval 原来的代码用了一部分跟训练代码一致的过程，其中训练代码中batchsize=128，导致虽然输入只有1张图，输出的结果还是有128个。有点多余，不过取其中一个作为结果就可以了。
（这里可以在把batchsize改为1，只在运行时用1）

然后我用C# MVC写了一个页面。用来上传图片，然后输出中文结果。

主要核心代码是（C#）：

 Thumbnails.Of(file).ZoomMethod(Thumbnails.ThumbnailZoomMethod.CUT).Resize(, ).ToFiles(imagepath);
            var p = new Process();
            //C:\Users\Administrator\AppData\Local\Programs\Python\Python35\python.exe
            p.StartInfo.FileName = @"C:\Users\Administrator\AppData\Local\Programs\Python\Python35\python.exe";
            p.StartInfo.Arguments = @"H:\tensorflow_cnn\tensorflow_cnn\tutorials\image\cifar10\cifar10_runsingle.py " + imagepath;
            p.StartInfo.WorkingDirectory = @"H:\";
            p.StartInfo.RedirectStandardOutput = true;
            p.StartInfo.RedirectStandardError = true;
            p.StartInfo.UseShellExecute = false;
            p.Start();
            string output = p.StandardOutput.ReadToEnd();
            string errmsg = p.StandardError.ReadToEnd();
            p.WaitForExit();
            p.Close();
            var num = Regex.Replace(output, @".*\[array\(\[(\d+),.*\].*", "$1", RegexOptions.Singleline);
            string    result;

主要是把图片改为 32*32 然后用Process 拉起python 去执行 cifar10_runsingle.py （这个是cifar10_eval.py 改造后的）。

然后用正则把 结果的数字切出来。

剩下就是把位置比如 0替换成“n01330764”

“n01330764” 再替换成中文，上一篇有下载中文的链接。

测试一下

------------------------------------------

--------------------------------------

-------------------

因为把eval(评估代码)改成执行代码了，所以eval 测试集（在imagenet下载自带的）反而没应用上了。暂时不能判断识别率高低。这是下一步要改造的地方。

不过imagenet 的数量级太大，正正经经训练一次，估计要很久很久很久。

另外还要切换成GPU模式，估计不太难。有教程。

期待踩坑日志之三吧，烧年们。

另外说一点关于tensorboard的，这东西真是厉害。安装方便。直接命令行

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow-tensorboard

-i 地址是用了清华的pip镜像 这样安装比较快不容易出错。

然后

logdir 指向

 wt = tf.summary.FileWriter("/tmp/broaddata3")

代码中设置的 summary的地址。

然后打开浏览器查看。

这里有个坑需要注意， tensorboard的运行盘符必须跟log所在盘符一致，否则一直提示拿不到文件。

这里可以看到我新增了一个label_sum 的曲线图，可以看到确实拿到不同的label了，而且最小是从0开始的。

此致敬礼。

更新：

2019-03-22

由于之前的例子都是一张一张读取图片，最后我还是修改为打包进Bin文件，然后训练时再一次性读取

源码路径如下 使用方法查看项目 ReadME

https://github.com/g7rhythm/MYcifar255