教你用TensorFlow做图像识别

弱者用泪水安慰自己，强者用汗水磨练自己。

上一篇文章里面讲了使用TensorFlow做手写数字图像识别，这篇文章算是它的进阶篇吧，在本篇文章中将会讲解如何使用TensorFlow识别多种类图片。本次使用的数据集是CIFAR-10，这是一个比较经典的数据集，可以去百度一下它的官网，它包含60000张32X32的彩色图像，其中训练集50000张，测试集10000张。里面一共是10类的图片，分别是airplane、automobile、bird、cat、deer、dog、frog、horse、ship和truck。

第一步我们需要下载TensorFlow Models库，你可以去github上面下载也可以使用git指令下载

git clone https://github.com/tensorflow/models.git

导入库，定义batch_size、训练轮数max_steps，以及下载CIFAR-10的路径

from tensorflow.models.tutorials.image.cifar10 import cifar10, cifar10_input
import tensorflow as tf
import numpy as np
import time

max_steps=3000
batch_size=128
data_dir='/cifar10_data'

定义初始化weight的函数，使用tf.truncated_normal截断的正太分布，给weight加一个L2的loss，L2正则化可以帮助我们筛选出最有效的特征。使用w1控制L2 loss的大小，使用tf.nn.l2_loss函数计算weight的L2 loss,再使用tf.multiply让L2 loss乘以w1,得到最后的weight loss，使用tf.add_to.collection把weight loss统一存到一个collection并命名为losses，以后计算神经网络总体的loss会用。

def variable_with_weight_loss(shape,stddev,w1):
    var = tf.Variable(tf.truncated_normal(shape,stddev=stddev))
    if w1 is not None:
        weight_loss=tf.multiply(tf.nn.l2_loss(var),w1,name='weight_loss')
        tf.add_to_collection('losses',weight_loss)
    return var

使用cifar10来下载数据集，再使用cirfar10_input中的distorted_inputs函数产生训练需要使用的数据，