机器学习-----车标识别

介绍
什么是车标识别？
  在学习 TensorFlow 的过程中，我在开源社区中找到了一个名为 MobileNet 的模型，该模型能对图像进行分类。Google 发布的 tensorflow-for-poets 项目正好支持这个模型，我们希望能结合 TensorFlow 与 MobileNet，将其应用于分类不同车标的图片。同时以此作为基础，体验 ML/TF 中不同超参数对训练的影响。
我们要创造什么？
  在这个 Codelab 中，你将要使用车标图像训练一个 TensorFlow 模型。你将学会：
1收集并分类车标图像
2使用 MobileNet_v1_128 模型
3训练模型并测试效果
4分别测试 Learning Rate 为 0.1、0.001、0.0001、0.00001 时的训练效果
5测试将预训练模型替换为 MobileNet_v1_224 后的训练效果
6选择最好的训练超参数，执行预测
你将需要什么？
BlackWalnut Labs. AI Cloud 访问账号
收集并分类车标图像
  本 Codelab 采用图像分类的方式来进行车标识别，因此需要收集的数据集很简单，只需要拍摄各种的车标图片即可。本 Codelab 提供了已拍摄完毕的演示用数据集，可以搭配自己拍摄的数据集使用。
  在拍摄数据集时，需要注意以下几点。
1拍摄的照片的分辨率最好为 1:1
2拍摄的车标占拍摄图片的大多数区域
3每种车标拍摄相同数量的图片，且每种不少于 200 张
4不要逆光拍摄
  新建名为 Codelab 的目录，并在该目录下新建名为 data 的目录。新建 Terminal 界面，进入 Codelab 目录，将 Tools/datasets 目录下的图片复制到该目录下。
cp -r …/Tools/datasets/* data
  在 Codelab/data 目录下上传自己拍摄的图片并解压。（以 image.zip 为例）
unzip image.zip
rm image.zip
  在图像分类模型的训练过程中，模型需要知道训练的标签以及每个标签所对应的图片，因此需要将上一步中拍摄的图片按照车标种类分类。
  本 Codelab 所采用的训练程序基于 tensorflow-for-poets 项目，该项目的训练程序只需要将相同的车标归类到一个目录下即可，即在训练时传入的标签名即为归类的目录名。
  本 Codelab 提供的数据集已经按照名称归类，在 Codelab/data 目录下分别新建名为 BUICK、CHANGAN、BMW、NISSAN、GM 的目录，切换到 Terminal 界面并进入 Codelab/data 目录，将对应名称段的图片分别移动到这些目录中。
BUICK:    1521121626331.jpg ~ 1521121911843.jpg
CHANGAN:  1521171197033.jpg ~ 1521171332105.jpg
BMW:    1521187291619.jpg ~ 1521187912599.jpg
NISSAN:   1521189204685.jpg ~ 1521189316223.jpg
GM:     1521257197105.jpg ~ 1521257469684.jpg
mv 1521121* BUICK
mv 1521171* CHANGAN
mv 1521187* BMW
mv 1521189* NISSAN
mv 1521257* GM
使用 MobileNet_v1_128 模型
  能实现图像分类的模型有很多，比如