本来应该继续把 卷积神经网络算法写一下的
但是最近一直在踩 TensorFlow的坑。所以就先跳过算法介绍直接来应用场景，原谅我吧。
TensorFlow 介绍
TF是google开源出来的人工智能库，由python语言写的
官网地址：http://www.tensorflow.org/ 请用科学上网访问
中文地址：http://www.tensorfly.cn/
当然还有其他AI库，不过大多数都是由python 写的
.net 的AI库叫 Accord.net （因为我本职是.net的，so……）有兴趣的同学可以去看看，有很多机器学习的工具类，不过可惜当时我在研究的时候只有BP算法，还没有卷积算法的相关。
写这篇博文的时候，听说微软又开放了一个AI库，但是tensorflow比较早。所以还是继续搞tensorFlow
TensorFlow 在支持GPU 并行运算上做的挺多。这个库的入手程度相对其他AI库稍容易点。而且有很多教程代码，包括卷积，对抗网络，循环网络算法。
声明一下踩坑日志系列主要是针对卷积。
阿尔法狗的核心部分就是用的TensorFlow，真佩服google说开源就开源。
好了，废话不说，开始
安装方法推荐
因为我用的是windows机
所以我推荐的安装环境是 python 3.5.2 +PyCharm
这篇博文写时，最新的python是3.6
尝试过安装3.6跟tensorFlow有不兼容问题，后来换了3.5.2 就可以了。
我安装的版本是tensorFlow1.1
不排除之后的版本已经修复这个问题。
tensorFlow1.2已经修复此问题
我推荐的安装方法超简单，但是网上有很多非常复杂的安装，在此踩一下。
十几个字搞定：
安装好python 之后设置好环境变量，然后安装PyCharm 打开=》setting =》project Interpreter 选择刚才安装好的3.5.2
点下面的绿色+ 号 搜索 tensorFolw ，install package！ 完成。
教程代码介绍
关于教程部分我建议先看一下极客学院的翻译教程文档。
另外下载一下 github上的源码
最简单的教程是
这个教程相关内容在上面的极客学院的文档有详细的介绍，这里我摘取一点
官网例子上有一个坑，因为训练数据会从外网链接上下载，我刚入门那个时候这个链接是404。所以只能另外找这个包，现在这个问题虽然已经修复了，但是我担心那个网站也不是很靠谱。有需要的可以留下邮箱，不多人的话我直接发给你们。
这里我讲一下tensorFlow几个比较晦涩的概念，请结合那个教程一起看
张量 tensor ：张量是TF最基本的元素，基本上所有的接口都是需要张量作为输入。
张量其实是对基本类型的一层包装，就是说tensor可以包装是int string array 各种类型。最重要的用途是用来描述多维数组
比如 这个方法生成的tensor
tf.zeros([100,100]) 就是代表正式运行的时候会生成一个二维数组，第一维有100个索引，每个里面有100个0
tf.random_normal([784, 200], stddev=0.35) 代表随机生成一个二维数组 ，784是一维，每个里面有200个元素。总共就是784*100个随机数。 sttddev是这个正态分布的偏差值，我觉得可以理解为平均的差值。用来调整数值分布的密度。生成一个tensor的方式有很多，也可以用
这里大家肯定已经很奇怪了，数组就数组，string 就string，干嘛还要包装起来成了tensor
其实这个tensor除了常量tensor之外，其他比方说随机数组，在调用的时候里面都没有值的，只是声明说要生成这么一堆数据，但是实际上要等到 session.run 的时候数据才会生成。
所以其实tensorFlow 编程就是用这些方法声明要构建一个怎么样的算法，这个过程叫做构建图。然后再N次的session.run 这个算法来训练。所以调试的时候很麻烦的地方是，常常是构建图的时候没问题，但是这个算法图正式跑的时候各种出错，但是很难定位是由于哪个数据进行到什么地方出错的。幸好有 tfdbg的模块可以调试，我下面会讲一下在tfdbg上踩的坑。
checkpoint ：相当于保存点，就是用来训练到一半的时候保存当时所有张量的值，然后下次可以通过一个saver的鬼东西读取checkpoint的所有环境，继续训练。
这个非常有用，因为数据量特大的时候可能要跑好几天，这样就可以分段进行的，也不怕中途死机。（别问我为啥会死机，说多了都是泪）
MNSIT 这个教程代码是比较简易的卷积算法，训练集很小。
稍大一点的教程是：cifar10
cifar10 的算法比较全面一点
这是这个算法过程的简要描述
卷积核
这个过程的作用主要是提取图像特征，不同的卷积核对图像的处理效果是不同的。比如模糊效果，锐化效果，黑白效果，轮廓效果。都是可以直接设定不同卷积核来达到。卷积这个词是指这个过程中执行的实际数学过程，不过这个过程在图像领域可以称之为"提取特征"或者叫"滤镜"大家更能明白一点，就是因为不同值的卷积核代表不同的特征提取器。上面还提到一个名词叫"池化"就是降维，提取特征出来的图片数据量非常大，池化效果比如3*3范围内取一个最大值。那么原本90*90的图片就变成 30*30了。这就是最大池化。Maxpool归一化的算法也挺多，但是通俗一点讲，比方说做完卷积之后数据可能是这样 [255,244,266,7777,433] 太大了不好计算，也增加计算压力。归一化一种最简单的办法就是 取个最大值，对每个数做一次 除法
这样得出来的值就都在 0-1 之间了。这就是传说中归“一”化。
卷积层+最大池化+归一层最终得出一张图片的各种特征数组，然后传给全链接层，根据误差值调整网络里的所有参数，最终达到跟真实值一致。然后跑一下测试集评估结果。卷积我这里就不细说了。（我后来写的算法综述中有介绍CNN卷积神经网络的一些内容，补充性的看一下吧 传送门：点我点我）
cifar10+imagenet 改代码
当然cifar10 还是不能拿来用的。毕竟是教程代码
那么现在如果要投入实用，其实有2个问题要解决
1，扩大训练集
2，因为评估代码用的一打图片打包成一个.bin 文件 所以得改成接收1张jpg图片然后输出结果。
第一个问题
先下载imagenet 训练集 ILSVRC2012
1000种分类，每一种分类有1000张图片 就是一百万张图片 压缩包140G。下载大半天，解压又是大半天。推荐用7z解压。神速。
但是没有中文分类的名字
下载好之后再说一个坑。里面有部分图片是出错格式的。大概有几百张吧。其实量也很小。如果你们找到没问题数据包的就不要我这个了。
不过因为代码读取的时候会出错，所以可能训练到几十万步的时候突然来那么一下，前功尽弃，还很难锁定是哪张出错了。
后来我疯了，因为可以看到出错图片的字节数，所以根据字节数查看文件，然后删了它，然后再跑几十万步之后，又出错，又删了它。
但是几百张图可能出错。- -！哈哈哈哈哈（此处苦笑）。。让我死吧。
然后我就用tfdbg 或者 tensorbroad 来查出那些出错的图片路径。但是……我把图片路径装到一个tf队列里，tfdbg不能显示队列内容。F!
tensorbroad 开启后一直显示没找到监控数据，然而数据文件一直存在的。F!（这个问题在下文有找到原因）
找了很多办法，花了很多时间之后宣告放弃。另觅良方。
干了一阵子傻事之后，我突然受到上天的启发，感觉真神上身。”为啥我不用try catch呢！”
因为这个方法在第一天的时候被我否定了，因为读图的方法
decode_jpeg 一直是这里报错，但是我直接try catch 这一段代码是无效的。因为正如我上面说的，这里只是构建图，构建了想要解码图片的算法而已，并没有真正解码，所以图片格式错误不会被catch到。
但是。。。。。。
我可以在session.run 的时候try catch啊！！！！
我可以在session.run 的时候try catch啊！！！！
我可以在session.run 的时候try catch啊！！！！
结果绕了一大圈，还是最开始的办法最靠谱。”师傅，把那块砖头往我这里砸，对，就是这里，脑门上，用力”。
（结果是try catch也不太行，还是会有一些错误导致session报错，然后程序停止。
最后的办法是用一个图片批量处理工具，把所有图过一遍，去掉那些不可读的图片。）
OK，前戏完结。
cifar10 的详细源码解析这里就不讲了，大家自行搜索。
大致讲一下我对cifar10的修改，用来装载这100万张图片
cifar10_input.py 代码里
distorted_inputs 方法主要是用来加载
这六个bin文件
每个文件里是一堆图片跟标签的打包。
read_cifar10（）方法里
FixedLength 读取器会根据固定长度的一段段的读取文件。所以这个bin文件里面一张图的长度就是 32323（RGB3个通道的意思）+label的长度。
现在imagenet解压出来的格式是
这里明显不同了，怎么办？
不干了！删代码！卸载系统！
说笑了，默默的打开IDE。
cifar10_input.py文件主要改这个方法
这个方法主要是从bin文件里读取了固定长度的，然后把label切出来放到 result.label 把原本图片数据转换成3维数组tersor(reshape)。然后稍微把数组的维度转换一下。就是最后 transpone 改为了[1,2,0] 就是原本depthheightwidth 改为 heightwidthdepth*depth这里是指颜色通道，红绿蓝3种。
这里我换成
WholeFileReader 读取整个文件。然后
resize_images 成32*32
因为label 是分类名称，也是图片所在文件夹的名称，所以我在外面把图片文件夹名称都丢到一个label的string队列里，然后里面做出队 depuqeue。核心部分就完了。剩下一个问题就是读取单张图片然后跑一下评估代码
cifar10_eval.py得出结果。然后就可以投入实用了。
cifar10_eval.py代码还需要改一下
新增这个方法，图片必须改成32*32大小的，这个可以用其他自己熟悉的代码处理，把图片读取成数组，然后按照bin文件的格式打包成一个。剩下就是按照eval原有的代码，只改一下读取bin文件的路径就可以。
最后run之后把
predictions输出就可以了这里就能拿到label了，然后根据上面的中文对照表得出分类名称。大功告成。然而。。。。。。这篇文章叫做踩坑日志，所以最大的坑在最后。不知道为啥，训练了100W步之后每次去测试跑结果，都是
有毒啊！！！
未完待续。
转载请注明出处。PS:文中代码都是用图片，因为只是摘取部分核心代码，并不能直接运行，所以诸君不用复制去调试了，理解要紧。
Original: https://www.cnblogs.com/7rhythm/p/7091624.html
Author: 鬼柒
Title: 人工智能(AI)库TensorFlow 踩坑日记之一
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/644297/
转载文章受原作者版权保护。转载请注明原作者出处！