机器学习之非监督学习——（猫狗识别案例/搭建卷积神经网络）

监督学习

监督学习的存在它的弊端，例如对我们人类还无法分辨和归类的事物，监督学习就无法完成，所以为了弥补这个缺陷，下面我们看一下新非监督学习，它可以让计算机学会进行更加复杂的分类。

分析过程

监督学习的构建一般由三个部分组成，数据的预处理，神经网络的搭建，然后进行训练测试，训练测试生成数据集和模型，最后倒入已知数据，让计算机对我们输入的数据进行分类。

项目案例：

猫狗识别

知识点：

1、数据的预处理
2、搭建神经网络
3、模型的训练与储存

项目分步分析：

第一步：创建六个文件夹

1、log文件夹，用于存放丢失数据和数据误差
2、modelsave文件夹用于存放训练好的模型
3、train_image文件夹用于，存放猫狗的图片，这些图片是作为训练模型的数据
4、train.py 用于进行数据的预处理和模型的搭建
5、model.py 搭建神经网络
6、test.py 测试搭建好的模型，用于猫狗识别

第二步：train_image文件内容

在train_image文件夹中穿件名为0的文件夹，用于存放猫的图片（数据），然后创建名为1的文件夹，用于存放狗的数据。
创建好0和1的文件之后，分别放入 猫和狗的图片。

第三步：train.py 文件第一部分的内容，对数据进行预处理，数据的预处理分为连个步骤，第一步是获取数据并生成标签集，第二不是将数据进行分批处理。

		#导入tensorflow 
		import tensorflow as tf
		#创建函数获取train_image中的文件，生成标签集合
		def get_files(file_path):
	 #两个文件，一个是用于存放图片路径，一个是用于对图片标记
	   class_train = []
	   label_train = []
	   #根据路径将图片遍历出来
	   for train_class in os.listdir(file_path):
	      #pic_name is the train image name
	      for pic_name in os.listdir(file_path + train_class):
		 #添加入前面创建好的列表当中
	         class_train.append(file_path + train_class + '/' + pic_name)
	         #train_class is 0,1,2,3,4....
	         label_train.append(train_class)
	   #将trainimage和trainlabel合并到二维数组（2，n）
	   temp = np.array([class_train, label_train])
	   #进行数据降维
	   temp = temp.transpose()
	   np.random.shuffle(temp)
	#获取降维后的数据
	   image_list = list(temp[:,0])
	   label_list = list(temp[:,1])
	   label_list = [int(i) for i in label_list]
	   return image_list, label_list
	
	def get_batches(image, label, resize_w, resize_h, batch_size, capacity):
	   #用TensorFlow进行数据字符的提取
	   image = tf.cast(image, tf.string)
	   #用TensorFlow进行特殊字符的标记，为64位
	   label = tf.cast(label, tf.int64)
	#让图片和标记形成队列
	   queue = tf.train.slice_input_producer([image, label])
	   label = queue[1]
	   image_temp = tf.read_file(queue[0])
	   image = tf.image.decode_jpeg(image_temp, channels = 3)
	   #宠幸标记图片型号
	   image = tf.image.resize_image_with_crop_or_pad(image, resize_w, resize_h)
	
	   image = tf.image.per_image_standardization(image)
	
	   image_batch, label_batch = tf.train.batch([image, label], batch_size = batch_size,
	      num_threads = 64,
	      capacity = capacity)
	   images_batch = tf.cast(image_batch, tf.float32)
	   labels_batch = tf.