對于圖像分類的工作，其實深度學習已經(jīng)做的足夠好了。

現(xiàn)在先整理一下數(shù)據(jù)集的整理

然后再是resnet訓練的方式.

再之后會使用一下xception

最后就用tensorflow做以上的事情

1. 制作數(shù)據(jù)集

首先自己的數(shù)據(jù) 按照類別用不同的文件夾整理好。

然后 每個文件夾運行一遍 提取名字加label的操作。

# -*- coding: UTF-8 -*-

import os

import random

path = '/home/deep/dataset/cifar10Dataset-master/data/1'? ? ? ? # 替換為你的路徑

dir = os.listdir(path)? ? ? ? ? ? ? ? ? # dir是目錄下的全部文件

fopen = open('/home/deep/dataset/cifar10Dataset-master/data/1/name.txt', 'w') # 替換為你的路徑

for d in dir:

? ? (filename,extension) = os.path.splitext(d)

? ? if extension == '.png':

? ? string =? d + ' 1\n'? ? #拼接字符串并換行

? ? fopen.write(string)

fopen.close()

print 'Done'

然后 把所有圖片再放到一起，把label合成一個文件夾

1.1 制作Cifar 數(shù)據(jù)集?

https://github.com/Arthur-Shi/cifar10Dataset

1.2 轉(zhuǎn)換cifar數(shù)據(jù)集變成 Lmdb數(shù)據(jù)集

https://github.com/Arthur-Shi/ResNet-on-Cifar10中的scipt文件夾中

有轉(zhuǎn)換方法 并且會數(shù)據(jù)增強的方式去 制作pad數(shù)據(jù)集。

2. Resnet訓練

到caffe的目錄下bulid/tools/

caffe train -solver=solver.prototxt -gpu 0

例如：

./caffe train -solver=/home/deep/py-faster-rcnn/caffe-fast-rcnn/ResNet-on-Cifar10/data_augmentation/20/solver.prototxt -gpu 0