对于图像分类的工作，其实深度学习已经做的足够好了。
现在先整理一下数据集的整理
然后再是resnet训练的方式.
再之后会使用一下xception
最后就用tensorflow做以上的事情
1. 制作数据集
首先自己的数据 按照类别用不同的文件夹整理好。
然后 每个文件夹运行一遍 提取名字加label的操作。
# -*- coding: UTF-8 -*-
import os
import random
path = '/home/deep/dataset/cifar10Dataset-master/data/1' # 替换为你的路径
dir = os.listdir(path) # dir是目录下的全部文件
fopen = open('/home/deep/dataset/cifar10Dataset-master/data/1/name.txt', 'w') # 替换为你的路径
for d in dir:
(filename,extension) = os.path.splitext(d)
if extension == '.png':
string = d + ' 1\n' #拼接字符串并换行
fopen.write(string)
fopen.close()
print 'Done'
然后 把所有图片再放到一起，把label合成一个文件夹
1.1 制作Cifar 数据集
https://github.com/Arthur-Shi/cifar10Dataset
1.2 转换cifar数据集变成 Lmdb数据集
https://github.com/Arthur-Shi/ResNet-on-Cifar10中的scipt文件夹中
有转换方法 并且会数据增强的方式去 制作pad数据集。
2. Resnet训练
到caffe的目录下bulid/tools/
caffe train -solver=solver.prototxt -gpu 0
例如：
./caffe train -solver=/home/deep/py-faster-rcnn/caffe-fast-rcnn/ResNet-on-Cifar10/data_augmentation/20/solver.prototxt -gpu 0
