用Tensorflow实现图片分类+详细注解

使用tensorflow实现花卉分类，训练样本用的是网上的花卉数据集，测试样本是在网上重新下载的各种花的图片，代码如下。

 

from skimage import io,transform #skimage模块下的io transform(图像的形变与缩放)模块
import glob  #glob 文件通配符模块
import os    #os 处理文件和目录的模块
import tensorflow as tf 
import numpy as np   #多维数据处理模块
import time
                      
#数据集地址
path='E:/data/flower/flower_photos/'
#模型保存地址
model_path='E:/data/flower/model/fc_model.ckpt'

#将所有的图片resize成100*100
w=100
h=100
c=3


#读取图片+数据处理                    
def read_img(path):
    #os.listdir(path) 返回path指定的文件夹包含的文件或文件夹的名字的列表
    #os.path.isdir(path)判断path是否是目录
    #b = [x+x for x in list1 if x+x<15 ]  列表生成式,循环list1，当if为真时，将x+x加入列表b
    cate=[path+x for x in os.listdir(path) if os.path.isdir(path+x)]
    imgs=[]
    labels=[]
    for idx,folder in enumerate(cate):
        #glob.glob(s+'*.py') 从目录通配符搜索中生成文件列表 
        for im in glob.glob(folder+'/*.jpg'):
            #输出读取的图片的名称  
            print('reading the images:%s'%(im))
            #io.imread(im)读取单张RGB图片 skimage.io.imread(fname,as_grey=True)读取单张灰度图片
            #读取的图片 
            img=io.imread(im)
            #skimage.transform.resize(image, output_shape)改变图片的尺寸
            img=transform.resize(img,(w,h))
            #将读取的图片数据加载到imgs[]列表中
            imgs.append(img)
            #将图片的label加载到labels[]中，与上方的imgs索引对应
            labels.append(idx)
   #将读取的图片和labels信息，转化为numpy结构的ndarr(N维数组对象（矩阵）)数据信息
    return np.asarray(imgs,np.float32),np.asarray(labels,np.int32)
 #调用读取图片的函数，得到图片和labels的数据集   
data,label=read_img(path)


#打乱顺序
#读取data矩阵的第一维数（图片的个数）
num_example=data.shape[0]
#产生一个num_example范围，步长为1的序列
arr=np.arange(num_example)
#调用函数，打乱顺序
np.random.shuffle(arr)
#按照打乱的顺序，重新排序
data=data[arr]
label=label[arr]


#将所有数据分为训练集和验证集
ratio=0.8
s=np.int(num_example*ratio)
x_train=data[:s]
y_train=label[:s]
x_val=data[s:]
y_val=label[s:]


#-----------------构建网络----------------------
#本程序cnn网络模型，共有7层，前三层为卷积层，后三层为全连接层，前三层中，每层包含卷积、激活、池化层
#占位符设置输入参数的大小和格式
x=tf.placeholder(tf.float32,shape=[None,w,h,c],name='x')
y_=tf.placeholder(tf.int32,shape=[None,],name='y_')

def inference(input_tensor, train, regularizer):
    #-----------------------第一层----------------------------
    with tf.variable_scope('layer1-conv1'):
       #初始化权重conv1_weights为可保存变量，大小为5x5,3个通道（RGB），数量为32个
        conv1_weights = tf.get_variable("weight",[5,5,3,32],initializer=tf.truncated_normal_initializer(stddev=0.1))
        #初始化偏置conv1_biases，数量为32个    
        conv1_biases = tf.get_variable("bias", [32], initializer=tf.constant_initializer(0.0))
        #卷积计算，tf.nn.conv2d为tensorflow自带2维卷积函数，input_tensor为输入数据，
        #conv1_weights为权重，strides=[1, 1, 1, 1]表示左右上下滑动步长为1，padding='SAME'表示输入和输出大小一样，即补0
        conv1 = tf.nn.conv2d(input_tensor, conv1_weights, strides=[1, 1, 1, 1], padding='SAME