打造自己的图像识别模型（1）：将准备好的图片转化为tfrecord格式
打造自己的图像识别模型（2）：TensorFlow Slim
打造自己的图像识别模型（3）：训练数据导出模型，开始使用
上一回《打造自己的图像识别模型（1）：将准备好的图片转化为tfrecord格式》 中咱们说了，站在前人的肩膀上，利用微调来打造自己的识别模型，最终准备好了如下数据。
那么，接下来，我们就开始训练这些数据。
通过训练这些数据，我们让程序培养自己的价值观（神经网络参数），以后再遇到类似图片，他能够通过公式推断出自己的结论。
谷歌公司提供的一个图像分类工具包，用它可以搞定很多操作，训练数据、保存模型、查看参数、验证数据……
那么，下面我们就来闻闻……不是……看看它，下载地址是 https://github.com/tensorflow/models/tree/master/research/slim。
我们看看Slim是个什么东西。
datasets里面定义训练时使用的数据集。
里面有一些常用的，比如MNIST，CIFAR-10等，你可以理解这都是一些样品，类似样板间。
这都是别人辛苦采集的图片，比如MNIST就是一些手写数字的图片数据集。
如果我们要训练自己的鸡鸭鹅，那么我们需要在里面定义一下自己的数据集。
其他的文件就不一个一个说了，今天用不到，反正他们都有各自的作用。
比如preprocessing这个文件夹是做图像预处理和数据增强的。
数据增强就是对现有数据进行一定折腾，比如你训练大鹅，有一张大鹅全身照。
那好，把照片裁剪一下，光有个鹅头，它还是不是大鹅。
上下倒转180度，头朝下它还是不是大鹅。
左右旋转180度，面朝东改为面朝西，它还是不是大鹅。
把白毛换成黑毛，它还是不是大鹅。
把图片缩小，让大鹅变成小鹅，它还是不是……鹅。
是的，即便你只提供一张图片，通过数据增强，把这张图片进行平移、旋转、翻转、裁剪、缩放、颜色变换、噪音扰动等等处理，告诉人工智能框架，这么折腾以后，它依然是大鹅，你识别的不是一个图片，而是某种特征。
类似数据增强这些操作，以及其他更高级的操作，slim都会帮你做。
相信，现在你对slim有个初步认识了。
将datasets下的flowers.py复制一份，作为你自己定制的数据集声明文件。
flowers.py是做鲜花识别一个例子。
那么，识别鸡鸭鹅的话，原理是一样的，因此复制没毛病。
我们复制一份起名叫satellite.py（名字随便起，我们上次生成tfrecord数据就是搞得卫星图，所以起这个名）。
然后，做一下修改。
主要是把整理好的数据参数改为自己的。
还有一处需要修改，图片格式默认是png，此处需要改为jpg，这是我们上次准备的图片格式。
有了上面这个文件，也就是说给我们的数据集分了房子，这个房子谁住，有多大，里面有什么家具，都说清楚了。
下面，就要登记上报给系统，让你的社区知道，因为你需要他们的水电安防等资源的支持。
datasets下找到dataset_factory.py将我们刚刚复制好的新文件导入。
又准备训练数据，上一集不是准备过了吗？
息怒，slim下新建一个我们的文件夹，作为储藏室，把上一集准备的地瓜干拷贝过来，再加点孜然。
其中pretrained是预训练相关，里面的inception_v3.ckpt文件可以下载
http://download.tensorflow.org/models/inception_v3_2016_08_28.tar.gz
这个预训练模型是什么玩意儿呢？
又要举例子了。
看下图，假设有一堆零件，左下是不合格的，右上是合格的。
那么如何通过分析得出一个标准，从而达到未来检测一个新零件是否合格的目的。
人来做很简单，你一眼就看出来了。
肯定分界点是一条左上到右下的线。
但是，很遗憾，机器没有眼，即便有摄像头，也没有大脑，有大脑也不知道该怎么去思考。
人工智能框架是怎么做的呢，随便画一条线，假设它是对的。
然后，把每一条数据进行验证，逐步去修正这条分割线，最后把所有数据都计算完，得到的一条目前最准确的分割线。
这是一个简单的例子，便于理解，因为你一眼就能看出来。
但是很多大数据，你根本看不过来，甚至都记不住。比如10万人的生活习惯和癌症的关系数据。
退一步讲，即便是5000张哈士奇和5000张狼的头像放在一起，这时候人类就没法一看看出来了到底哪条线是标准了。
但是机器能通过计算很快发现那条线（到这里就是多个卷积层）。
而这个inception_v3.ckpt文件，就是图像识别，那条预估好的通用基础线，在它的基础上进行训练，要有效的多。
至此，我们的工作就做完了，剩下的训练和验证，都是程序和框架的事情了。
下一回，我们将开始训练和导出使用。
继续往下看
打造自己的图像识别模型（3）：训练数据导出模型，开始使用
