用VGG 16训练数据集并保存模型测试效果+Tensorboard可视化收敛曲线

**

<一>准备工作！！！

**
需要下载的东西如下：
数据集：17flowers数据集
预训练权重模型：vgg16.npy 提取码：66im
我的做法是从17flowers数据集里面的17个分类的文件夹中，依次分别cut出5张图片作为测试集。

<二>训练具体流程及细节说明

1.首先我们要将17flowers数据集转换成TFRecord的形式（tfrecord.py）

这是因为TFRecord格式是为Tensorflow打造的一种非常高效的数据读取方式，在了解TFRcord 的过程中，楼主看到了超多优秀的资料！比如：你可能无法回避的 TFRecord 文件格式详细讲解

这里给出

// An highlighted block
import os
import tensorflow as tf
from PIL import Image

def creat_tf(imgpath):
    cwd = os.getcwd()
    classes = os.listdir(cwd + imgpath)

    # 定义tfrecords文件存放
    writer = tf.python_io.TFRecordWriter("train.tfrecords")
    for index, name in enumerate(classes):
        class_path = cwd + imgpath + name + "/"
        print(class_path)
        if os.path.isdir(class_path):
            for img_name in os.listdir(class_path):
                img_path = class_path + img_name
                img = Image.open(img_path)
                img = img.resize((224, 224))
                img_raw = img.tobytes()
                example = tf.train.Example(features=tf.train.Features(feature={
   
                    'label': tf.train.Feature(int64_list=tf.train.Int64List(value=[int(name)])),
                    'img_raw': tf.train.Feature(bytes_list=tf.train.BytesList(value=[img_raw]))
                }))
                writer.write(example.SerializeToString())
                print(img_name)
    writer.close()


def read_example():
    # 读取
    for serialized_example in tf.python_io.tf_record_iterator("train.tfrecords"):
        example = tf.train.Example()
        example.ParseFromString(serialized_example)

        # image = example.features.feature['img_raw'].bytes_list.value
        label = example.features.feature['label'].int64_list.value
        print(label)

if __name__ == '__main__':
    imgpath = '/17flowers/'
    creat_tf(imgpath)

2.构建VGG16的模型（VGG16.py）

import tensorflow as tf
import numpy as np

# 加载预训练模型
data_dict = np.load('./vgg16.npy', encoding='latin1').item()


# 打印每层信息
def print_layer(t):
    print(t.op.name, ' ', t.get_shape().as_list(), '\n')


# 定义卷积层
def conv(x, d_out, name, fineturn=False, xavier=False):
    d_in = x.get_shape()[-1].value
    with tf.name_scope(name) as scope:
        # Fine-tuning
        if fineturn:
            kernel = tf.constant(data_dict[name][0], name="weights")
            bias = tf.constant(data_dict[name][1], name="bias")
            print("fineturn")
        elif not xavier:
            kernel = tf.Variable(tf.truncated_normal