python2.7交通标志识别图_（四）深度学习初探：基于LeNet-5卷积神经网络的交通标志识别...

1.项目任务

在常见深度学习模型的基础上（本文为LeNet-5），调整模型结构和参数，使用Tensorflow进行部署。利用公开的德国交通标志数据集进行训练，得到模型，并利用该模型对新的图片进行预测。全文运行环境Linux， 使用语言Python3。需要说明的是，本项目来源于Udacity，在Udacity无人驾驶工程师课程作业的基础上演化而来。

无人驾驶工程师课程_无人车培训_无人驾驶_自动驾驶基础技术-优达学城(Udacity)官网​cn.udacity.com

2. 整体思路整体流程

总体而言，本文注重梳理卷积神经网络实现的基本逻辑，希望通过这个小项目打开深度学习的大门，拨开深度学习这颗“大洋葱”最外面的一层表皮，至于里面的果实及本文中未理解清楚的一部分，希望能有机会在后面的学习中解决。

3. 项目实施

3.1 环境搭建

本项目在Linux环境中运行，使用python3搭建Tensorflow模型进行运算。因此第一步先在Linux下搭建Tensorflow运行环境。可以采用anaconda作为python的环境管理仓库，在anaconda中直接通过命令行安装tensorflow。

3.1.1 Anaconda 的安装

Anaconda 为我们提供了很好的python环境管理机制，使同一台电脑上能够允许多个版本的python共存，且相互不干扰；它还能创建独立的环境，相当于在一台主机中分割出一个个独立的空间，存放不同的工作环境。

# 首先到官网上下载anaconda

wget https://repo.continuum.io/archive/Anaconda3-5.0.1-Linux-x86_64.sh

# 安装anaconda

bash Anaconda3-5.0.1-Linux-x86_64.sh

# 将anaconda添加到环境变量

echo 'export PATH="~/anaconda3/bin:$PATH"' >> ~/.bashrc

# 更新环境变量

source .bashrc

# 更新anaconda

conda upgrade --al

具体可以参考：linux命令 安装anaconda​blog.csdn.net

3.1.2 Tensorflow的安装

Tensorflow目前最常使用的是版本1.1.1, 它除了正常迭代的版本号之外，还有CPU和GPU之分。本文中的项目模型复杂度不高，需要的算力CPU就能解决，因此在这里选择安装CPU版本的tensorflow。

# 创建一个单独运行的环境，取名py37,采用python3

conda create --name = py37 python=3

# 激活刚刚创建的环境

source acitvate py37

# 安装CPU版本的Tensorflow(此过程需联网）

conda install -c conda-forge tensorflow

安装完成后，我们需要检查tensorflow是否安装好，进入pyhon环境：

import tensorflow as tf

如果没有报错，证明该环境中已经有了tensorflow，安装正确。

激活环境后，进入jupyter notebook工作环境：

#直接键入 jupyter notebook

PS-1：在调试过程中需要掌握一些anaconda常用命令，列举如下，已经会的可直接跳过：

1)查看版本：conda --version

2)创建环境：conda create -n py37 python=3

3)删除环境：conda remove -n py37 --all

4)查看本机所有环境：conda env list

5）激活环境：activate py37

6）安装第三方软件包：conda install 包名 或 pip install 包名

7）卸载第三方软件包: conda remove 包名 或 pip uninstall 包名

8）切换到base环境：activate

PS-2： GPU版本Tensorflow的安装

1）pip install tensorflow-gpu

需要注意的是，不要在同一个环境中共存CPU和GPU版本的Tensorflow， 容易出现环境混乱。

3.2 数据集处理

3.2.1 数据集导入

本文使用的数据集是公开的德国交通标志数据集, 下载地址:German Traffic Sign Benchmarks​benchmark.ini.rub.de

已经被分为了训练集，验证集和测试集三个部分，分别是三个.p 文件，将三个载入。

# 导入pickle模块，用于加载数据，如果该句报错，需要使用anaconda 安装pickle包。在导入其他包

# 的过程中，如果出现没有该模块的情况，也需要使用anaconda安装。

# pickle 用来将python的对象序列化和解序列化

import pickle

# 找到三个数据文件的路径

training_file = '/home/project_our/project2/traffic-signs-data/train.p'

validation_file='/home/project_our/project2/traffic-signs-data/valid.p'

testing_file = '/home/project_our/project2/traffic-signs-data/test.p'

# 加载数据

with open(training_file, mode='rb') as f:

train = pickle.load(f)

with open(validation_file, mode='rb') as f:

valid = pickle.load(f)

with open(testing_file, mode='rb') as f:

test = pickle.load(f)

# 将数据分为图片和标签两个部分，X部分为图片&#