环境配置：

ubuntu:Ubuntu 16.04.5 LTS x86_64

tensorflow:1.5.0

cv2:3.4.4

基于tensorflow利用卷积神经网络训练自己的图像样本数据具体步骤如下：

1.获取样本文件

2.产生用于训练的批次

3.定义训练的模型（包括初始化参数，卷积、池化层等参数、网络）

4.训练

5.验证

1.读取图片文件

图1是我的部分图片样本数据的名称。图片来源是通过opencv截取的人脸照片，‘-’前部分为测试人脸名称。大小为（60*60*3）高-宽-颜色通道。由于图片命名与训练标签有关。

图1 部分样本数据

获取文件名及对应的标签，由于标签是one-hot类型，根据文件名的“-”前半部分为人的名称。本想通过直接将名称的各个字符相加之和作为标签，但是考虑到如果名称太长，那么和就非常大，不适合使用one-hot作为标签矩阵了。于是改成{文件名前部分：label}的json格式，来实现标签与名称的映射关系，待预测时，根据标签找到对应的名称即可。

下图功能是获取filename目录下的文件名与文件名对应的标签.（还可以加个判断对应的文件是否已jpg结束)

图2 获取样本

将jsonData文件名对应的索引作为标签，即类别（其数据类型要确定，后面要转为tensor类型数据）。image_list为图片文件的绝对路径名称。

2.产生训练批次

根据对应的文件名读取内容，将其放在文件队列中。进行批量获取。

图3 产生训练批次

首先使用tf.cast转化为tensorflow数据格式，使用tf.train.slice_input_producer实现一个输入的队列。label不需要处理，image存储的是路径，需要读取为图片，接下来的几步就是读取路径转为图片，用于训练。

CNN对图像大小是敏感的，Line147/148 图片resize处理为大小一致，Line149将其标准化，即减去所有图片的均值，方便训练。

接下来使用tf.train.batch函数产生训练的批次。最后将产生的批次做数据类型的转换和shape的处理即可产生用于训练的批次。

有一点比较迷惑：

Line144的label和Line149的image实际上只是一个图片的标签和对应的图片矩阵，为什么在Line151能够从一组数据中能够得到batch_size（大于1）个样本数据与标签呢？？？？？？？？希望高人指点一下

3.定义训练模型

 a.定义权重和偏置

        定义最大是64个分类，对应的就是64个人脸名称。

图4 定义权重与偏置

b.定义训练层及训练模型

采用三层神经网络进行构建训练模型。即三种层神经网络，即卷积层Line178、池化层Line183和正则化层Line186

图5 训练模型

Line189---Line 200后面的注释标识对应计算之后的矩阵大小。

c.定义损失、评估及训练方式

图6 定义损失与评估及训练方式

4.开始训练

采用协调器开启多线程，加速实现对图片文件的加载读取与训练。具体方法可以网上搜索一下。同时将训练后的模型保存下来。防止程序挂了之后需要重新训练。测试训练数据较少，201次循环及每次取10个样本，就可以达到理想的预测效果。

图6 开始训练

5.验证效果

a.训练后直接验证效果

将predict1()函数直接放在 步骤4中“开始训练” 的coord.join(threads) 的后面即可。

图7 训练后直接验证

打印的结果即是jsonData中对应的value值，根据value值找到对应的key即可。

b.通过加载训练模板进行验证

图8 加载训练模型进行验证

到此为止，整个过程结束。

欢迎与大家共同讨论研究。