使用自己的图片训练CNN分类器-TensorFlow

在看过吴恩达CNN 前两周的课，并且完成了课后作业后，对CNN的实现有了具象的了解。整体的实现过程大概分为以下几部分：

1. 数据准备。我将数据组织成多维数组的形式，关于tfrecord是什么还未去了解，这里就按照cousera课后作业的形式，模仿着来实现。

P.S. 自己的图片可能比较大，也可能大小不一，因此，将图片做适当处理，整理成 input [ m, n_H, n_W, n_C ]  。m表示样本总数，n_H, n_W表示图片的高和宽， n_C表示图片的通道数，彩色RGB通道数是3，灰度图则是1（这里的1不确定该如何理解：是三个通道具有相同的值？还是一个通道有值，其他两个通道值都是0？）。调整图片大小的程序如下：

        image_raw_data = tf.gfile.GFile(image_list[i],'r').read() 
        img_data = tf.image.decode_jpeg(image_raw_data)  
        
        #第一个参数为原始图像，第二个参数为图像大小，第三个参数给出了指定的算法  
        resized = tf.image.resize_images(img_data, [64,64],method=0)  
        resized = np.asarray(resized.eval(),dtype='uint8')

2. 如过你的图片是分好类的，那么读取进来后需要打乱顺序，另外，标签与图片要一一对应。

    temp = np.array([class_train,label_train])  # 2*140
    temp = temp.transpose()  # 140*2
    #打乱顺序
    np.random.shuffle(temp)
    #第一列是image，第二列是label
    image_list = list(temp[:,0])
    label_list = list(temp[:,1])

或者

    permutation = list(np.random.permutation(m))   #生成一个 从0到m打乱的序列
    shuffled_X = X[permutation,:,:,:] 
    shuffled_Y = Y[permutation,:]

3. 准备好数据，划分好训练集和测试集，归一化处理。此时可以打印shape，检查是否是我们需要的维度

    X_train = X_train/255.
    X_test = X_test/255.
    print ("number of training examples = " + str(X_train.shape[0]))
    print ("number of test examples = " + str(X_test.shape[0]))
    print ("X_train shape: " + str(X_train.shape))
    print ("Y_train shape: " + str(Y_train.shape))
    print ("X_test shape: " + str(X_test.shape))
    print ("Y_test shape: " + str(Y_test.shape))

4. 以下便是仿照Andrew的课后作业来实现CNN的流程，其中需要的根据自己的情况进行修改的地方有：输出向量的维数（即分类数）以及算法的各参数。比如minibatch_size

要根据你的训练集大小来设置，样本数不多的话，size也适当取小一点，另外如果size很小，可适当增加学习的代数。最后代价的曲线如下：

完整代码请移步GitHub  点击打开链接