【转】tensorflow学习使用路线

一、学习路线

个人感觉对于任何一个深度学习库，如mxnet、tensorflow、theano、caffe等，基本上我都采用同样的一个学习流程，大体流程如下：

(1)训练阶段：数据打包-》网络构建、训练-》模型保存-》可视化查看损失函数、验证精度

(2)测试阶段：模型加载-》测试图片读取-》预测显示结果

(3)移植阶段：量化、压缩加速-》微调-》C++移植打包-》上线

这边我就以tensorflow为例子，讲解整个流程的大体架构，完成一个深度学习项目所需要熟悉的过程代码。

二、训练、测试阶段

1、tensorflow打包数据

这一步对于tensorflow来说，也可以直接自己在线读取：.jpg图片、标签文件等，然后通过phaceholder变量，把数据送入网络中，进行计算。

不过这种效率比较低，对于大规模训练数据来说，我们需要一个比较高效的方式，tensorflow建议我们采用tfrecoder进行高效数据读取。学习tensorflow一定要学会tfrecoder文件写入、读取，具体示例代码如下：

[python]view plain copy 
     
 
 #coding=utf-8  
 #tensorflow高效数据读取训练  
 import tensorflow as tf  
 import cv2  
   
 #把train.txt文件格式，每一行：图片路径名   类别标签  
 #奖数据打包，转换成tfrecords格式，以便后续高效读取  
 def encode_to_tfrecords(lable_file,data_root,new_name='data.tfrecords',resize=None):  
     writer=tf.python_io.TFRecordWriter(data_root+'/'+new_name)  
     num_example=0  
     with open(lable_file,'r') as f:  
         for l in f.readlines():  
             l=l.split()  
             image=cv2.imread(data_root+"/"+l[0])  
             if resize is not None:  
                 image=cv2.resize(image,resize)#为了  
             height,width,nchannel=image.shape  
   
             label=int(l[1])  
   
             example=tf.train.Example(features=tf.train.Features(feature={  
                 'height':tf.train.Feature(int64_list=tf.train.Int64List(value=[height])),  
                 'width':tf.train.Feature(int64_list=tf.train.Int64List(value=[width])),  
                 'nchannel':tf.train.Feature(int64_list=tf.train.Int64List(value=[nchannel])),  
                 'image':tf.train.Feature(bytes_list=tf.train.BytesList(value=[image.tobytes()])),  
                 'label':tf.train.Feature(int64_list=tf.train.Int64List(value=[label]))  
             }))  
             serialized=example.SerializeToString()  
             writer.write(serialized)  
             num_example+=1  
     print lable_file,"样本数据量：",num_example  
     writer.close()  
 #读取tfrecords文件  
 def decode_from_tfrecords(filename,num_epoch=None):  
     filename_queue=tf.train.string_input_producer([filename],num_epochs=num_epoch)#因为有的训练数据过于庞大，被分成了很多个文件，所以第一个参数就是文件列表名参数  
     reader=tf.TFRecordReader()  
     _,serialized=reader.read(filename_queue)  
     example=tf.parse_single_example(serialized,features={  
         'height':tf.FixedLenFeature([],tf.int64),  
         'width':tf.FixedLenFeature([],tf.int64),  
         'nchannel':tf.FixedLenFeature([],tf.int64),  
         'image':tf.FixedLenFeature([],tf.string),  
         'label':tf.FixedLenFeature([],tf.int64)  
     })  
     label=tf.cast(example['label'], tf.int32)  
     image=tf.decode_raw(example['image'],tf.uint8)  
     image=tf.reshape(image,tf.pack([  
         tf.cast(example['height'], tf.int32),  
         tf.cast(example['width'], tf.int32),  
         tf.cast(example['nchannel'], tf.int32)]))  
     #label=example['label']  
     return image,label  
 #根据队列流数据格式，解压出一张图片后，输入一张图片，对其做预处理、及样本随机扩充  
 def get_batch(image, label, batch_size,crop_size):  
         #数据扩充变换  
     distorted_image = tf.random_crop(image, [crop_size, crop_size, 3])#随机裁剪  
     distorted_image = tf.image.random_flip_up_down(distorted_image)#上下随机翻转  
     #distorted_image = tf.image.random_brightness(distorted_image,max_delta=63)#亮度变化  
     #distorted_image = tf.image.random_contrast(distorted_image,lower=0.2, upper=1.8)#对比度变化  
   
     #生成batch  
     #shuffle_batch的参数：capacity用于定义shuttle的范围，如果是对整个训练数据集，获取batch，那么capacity就应该够大  
     #保证数据打的足够乱  
     images, label_batch = tf.train.shuffle_batch([distorted_image, label],batch_size=batch_size,  
                                                  num_threads=16,capacity=50000,min_after_dequeue=10000)  
     #images, label_batch=tf.train.batch([distorted_image, label],batch_size=batch_size)  
   
   
   
     # 调试显示  
     #tf.image_summary('images', images)  
     return images, tf.reshape(label_batch, [batch_size])  
 #这个是用于测试阶段，使用的get_batch函数  
 def get_test_batch(image, label, batch_size,crop_size):  
         #数据扩充变换  
     distorted_image=tf.image.central_crop(image,39./45.)  
     distorted_image = tf.random_crop(distorted_image, [crop_size, crop_size, 3])#随机裁剪  
     images, label_batch=tf.train.batch([distorted_image, label],batch_size=batch_size)  
     return images, tf.reshape(label_batch, [batch_size])  
 #测试上面的压缩、解压代码  
 def test():  
     encode_to_tfrecords("data/train.txt","data",(100,100))  
     image,label=decode_from_tfrecords('data/data.tfrecords')  
     batch_image,batch_label=get_batch(image,label,3)#batch 生成测试  
     init=tf.initialize_all_variables()  
     with tf.Session() as session:  
         session.run(init)  
         coord = tf.train.Coordinator()  
         threads = tf.train.start_queue_runners(coord=coord)  
         for l in range(100000):#每run一次，就会指向下一个样本，一直循环  
             #image_np,label_np=session.run([image,label])#每调用run一次，那么  
             '''''cv2.imshow("temp",image_np) 
             cv2.waitKey()'''  
             #print label_np  
             #print image_np.shape  
   
   
             batch_image_np,batch_label_np=session.run([batch_image,batch_label])  
             print batch_image_np.shape  
             print batch_label_np.shape  
   
   
   
         coord.request_stop()#queue需要关闭，否则报错  
         coord.join(threads)  
 #test()  

2、网络架构与训练

经过上面的数据格式处理，接着我们只要写一写网络结构、网络优化方法，把数据搞进网络中就可以了，具体示例代码如下：

[python]view plain copy 
     
 
 #coding=utf-8  
 import  tensorflow as tf  
 from  data_encoder_decoeder import  encode_to_tfrecords,decode_from_tfrecords,get_batch,get_test_batch  
 import  cv2  
 import  os  
   
 class network(object):  
     def __init__(self):  
         with tf.variable_scope("weights"):  
             self.weights={  
                 #39*39*3->36*36*20->18*18*20  
                 'conv1':tf.get_variable('conv1',[4,4,3,20],initializer=tf.contrib.layers.xavier_initializer_conv2d()),  
                 #18*18*20->16*16*40->8*8*40  
                 'conv2':tf.get_variable('conv2',[3,3,20,40],initializer=tf.contrib.layers.xavier_initializer_conv2d()),  
                 #8*8*40->6*6*60->3*3*60  
                 'conv3':tf.get_variable('conv3',[3,3,40,60],initializer=tf.contrib.layers.xavier_initializer_conv2d()),  
                 #3*3*60->120  
                 'fc1':tf.get_variable('fc1',[3*3*60,120],initializer=tf.contrib.layers.xavier_initializer()),  
                 #120->6  
                 'fc2':tf.get_variable('fc2',[120,6],initializer=tf.contrib.layers.xavier_initializer()),  
                 }  
         with tf.variable_scope("biases"):  
             self.biases={  
                 'conv1':tf.get_variable('conv1',[20,],initializer=tf.constant_initializer(value=0.0, dtype=tf.float32)),  
                 'conv2':tf.get_variable('conv2',[40,],initializer=tf.constant_initializer(value=0.0, dtype=tf.float32)),  
                 'conv3':tf.get_variable('conv3',[60,],initializer=tf.constant_initializer(value=0.0, dtype=tf.float32)),  
                 'fc1':tf.get_variable('fc1',[120,],initializer=tf.constant_initializer(value=0.0, dtype=tf.float32)),  
                 'fc2':tf.get_variable('fc2',[6,],initializer=tf.constant_initializer(value=0.0, dtype=tf.float32))  
   
             }  
   
     def inference(self,images):  
         # 向量转为矩阵  
         images = tf.reshape(images, shape=[-1, 39,39, 3])# [batch, in_height, in_width, in_channels]  
         images=(tf.cast(images,tf.float32)/255.-0.5)*2#归一化处理  
   
   
   
         #第一层  
         conv1=tf.nn.bias_add(tf.nn.conv2d(images, self.weights['conv1'], strides=[1, 1, 1, 1], padding='VALID'),  
                              self.biases['conv1'])  
   
         relu1= tf.nn.relu(conv1)  
         pool1=tf.nn.max_pool(relu1, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='VALID')  
   
   
         #第二层  
         conv2=tf.nn.bias_add(tf.nn.conv2d(pool1, self.weights['conv2'], strides=[1, 1, 1, 1], padding='VALID'),  
                              self.biases['conv2'])  
         relu2= tf.nn.relu(conv2)  
         pool2=tf.nn.max_pool(relu2, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='VALID')  
   
   
         # 第三层  
         conv3=tf.nn.bias_add(tf.nn.conv2d(pool2, self.weights['conv3'], strides=[1, 1, 1, 1], padding='VALID'),  
                              self.biases['conv3'])  
         relu3= tf.nn.relu(conv3)  
         pool3=tf.nn.max_pool(relu3, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='VALID')  
   
   
         # 全连接层1，先把特征图转为向量  
         flatten = tf.reshape(pool3, [-1, self.weights['fc1'].get_shape().as_list()[0]])  
   
         drop1=tf.nn.dropout(flatten,0.5)  
         fc1=tf.matmul(drop1, self.weights['fc1'])+self.biases['fc1']  
   
         fc_relu1=tf.nn.relu(fc1)  
   
         fc2=tf.matmul(fc_relu1, self.weights['fc2'])+self.biases['fc2']  
   
         return  fc2  
     def inference_test(self,images):  
                 # 向量转为矩阵  
         images = tf.reshape(images, shape=[-1, 39,39, 3])# [batch, in_height, in_width, in_channels]  
         images=(tf.cast(images,tf.float32)/255.-0.5)*2#归一化处理  
   
   
   
         #第一层  
         conv1=tf.nn.bias_add(tf.nn.conv2d(images, self.weights['conv1'], strides=[1, 1, 1, 1], padding='VALID'),  
                              self.biases['conv1'])  
   
         relu1= tf.nn.relu(conv1)  
         pool1=tf.nn.max_pool(relu1, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='VALID')  
   
   
         #第二层  
         conv2=tf.nn.bias_add(tf.nn.conv2d(pool1, self.weights['conv2'], strides=[1, 1, 1, 1], padding='VALID'),  
                              self.biases['conv2'])  
         relu2= tf.nn.relu(conv2)  
         pool2=tf.nn.max_pool(relu2, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='VALID')  
   
   
         # 第三层  
         conv3=tf.nn.bias_add(tf.nn.conv2d(pool2, self.weights['conv3'], strides=[1, 1, 1, 1], padding='VALID'),  
                              self.biases['conv3'])  
         relu3= tf.nn.relu(conv3)  
         pool3=tf.nn.max_pool(relu3, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='VALID')  
   
   
         # 全连接层1，先把特征图转为向量  
         flatten = tf.reshape(pool3, [-1, self.weights['fc1'].get_shape().as_list()[0]])  
   
         fc1=tf.matmul(flatten, self.weights['fc1'])+self.biases['fc1']  
         fc_relu1=tf.nn.relu(fc1)  
   
         fc2=tf.matmul(fc_relu1, self.weights['fc2'])+self.biases['fc2']  
   
         return  fc2  
   
     #计算softmax交叉熵损失函数  
     def sorfmax_loss(self,predicts,labels):  
         predicts=tf.nn.softmax(predicts)  
         labels=tf.one_hot(labels,self.weights['fc2'].get_shape().as_list()[1])  
         loss =-tf.reduce_mean(labels * tf.log(predicts))# tf.nn.softmax_cross_entropy_with_logits(predicts, labels)  
         self.cost= loss  
         return self.cost  
     #梯度下降  
     def optimer(self,loss,lr=0.001):  
         train_optimizer = tf.train.GradientDescentOptimizer(lr).minimize(loss)  
   
         return train_optimizer  
   
   
 def train():  
     encode_to_tfrecords("data/train.txt","data",'train.tfrecords',(45,45))  
     image,label=decode_from_tfrecords('data/train.tfrecords')  
     batch_image,batch_label=get_batch(image,label,batch_size=50,crop_size=39)#batch 生成测试  
   
   
   
   
   
   
   
    #网络链接,训练所用  
     net=network()  
     inf=net.inference(batch_image)  
     loss=net.sorfmax_loss(inf,batch_label)  
     opti=net.optimer(loss)  
   
   
     #验证集所用  
     encode_to_tfrecords("data/val.txt","data",'val.tfrecords',(45,45))  
     test_image,test_label=decode_from_tfrecords('data/val.tfrecords',num_epoch=None)  
     test_images,test_labels=get_test_batch(test_image,test_label,batch_size=120,crop_size=39)#batch 生成测试  
     test_inf=net.inference_test(test_images)  
     correct_prediction = tf.equal(tf.cast(tf.argmax(test_inf,1),tf.int32), test_labels)  
     accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))  
   
   
   
   
   
     init=tf.initialize_all_variables()  
     with tf.Session() as session:  
         session.run(init)  
         coord = tf.train.Coordinator()  
         threads = tf.train.start_queue_runners(coord=coord)  
         max_iter=100000  
         iter=0  
         if os.path.exists(os.path.join("model",'model.ckpt')) is True:  
             tf.train.Saver(max_to_keep=None).restore(session, os.path.join("model",'model.ckpt'))  
         while iter<max_iter:  
             loss_np,_,label_np,image_np,inf_np=session.run([loss,opti,batch_label,batch_image,inf])  
             #print image_np.shape  
             #cv2.imshow(str(label_np[0]),image_np[0])  
             #print label_np[0]  
             #cv2.waitKey()  
             #print label_np  
             if iter%50==0:  
                 print 'trainloss:',loss_np  
             if iter%500==0:  
                 accuracy_np=session.run([accuracy])  
                 print '***************test accruacy:',accuracy_np,'*******************'  
                 tf.train.Saver(max_to_keep=None).save(session, os.path.join('model','model.ckpt'))  
             iter+=1  
   
   
   
   
   
         coord.request_stop()#queue需要关闭，否则报错  
         coord.join(threads)  
   
 train()  

3、可视化显示

(1)首先再源码中加入需要跟踪的变量：

[python]view plain copy 
     
 <span style="font-size:18px;">tf.scalar_summary("cost_function", loss)#损失函数值</span>

(2)然后定义执行操作：

[python]view plain copy 
     
 <span style="font-size:18px;">merged_summary_op = tf.merge_all_summaries()</span>

(3)再session中定义保存路径：

[python]view plain copy 
     
 <span style="font-size:18px;">summary_writer = tf.train.SummaryWriter('log', session.graph)</span>

(4)然后再session执行的时候，保存：

[python]view plain copy 
     
 
 <span style="font-size:18px;">            summary_str,loss_np,_=session.run([merged_summary_op,loss,opti])  
             summary_writer.add_summary(summary_str, iter)</span>  

(5)最后只要训练完毕后，直接再终端输入命令：

[python]view plain copy 
     
 <span style="font-size:18px;">python /usr/local/lib/python2.7/dist-packages/tensorflow/tensorboard/tensorboard.py --logdir=log</span>

然后打开浏览器网址：

[python]view plain copy 
     
 <span style="font-size:18px;">http://0.0.0.0:6006</span>

即可观训练曲线。

4\、测试阶段

测试阶段主要是直接通过加载图模型、读取参数等，然后直接通过tensorflow的相关函数，进行调用，而不需要网络架构相关的代码；通过内存feed_dict的方式，对相关的输入节点赋予相关的数据，进行前向传导，并获取相关的节点数值。

[python]view plain copy 
     
 
 #coding=utf-8  
 import  tensorflow  as tf  
 import  os  
 import  cv2  
   
 def load_model(session,netmodel_path,param_path):  
     new_saver = tf.train.import_meta_graph(netmodel_path)  
     new_saver.restore(session, param_path)  
     x= tf.get_collection('test_images')[0]#在训练阶段需要调用tf.add_to_collection('test_images',test_images),保存之  
     y = tf.get_collection("test_inf")[0]  
     batch_size = tf.get_collection("batch_size")[0]  
     return  x,y,batch_size  
   
 def load_images(data_root):  
     filename_queue = tf.train.string_input_producer(data_root)  
     image_reader = tf.WholeFileReader()  
     key,image_file = image_reader.read(filename_queue)  
     image = tf.image.decode_jpeg(image_file)  
     return image, key  
   
 def test(data_root="data/race/cropbrown"):  
     image_filenames=os.listdir(data_root)  
     image_filenames=[(data_root+'/'+i) for i in image_filenames]  
   
   
     #print cv2.imread(image_filenames[0]).shape  
     #image,key=load_images(image_filenames)  
     race_listsrc=['black','brown','white','yellow']  
     with tf.Session() as session:  
         coord = tf.train.Coordinator()  
         threads = tf.train.start_queue_runners(coord=coord)  
   
   
   
         x,y,batch_size=load_model(session,os.path.join("model",'model_ori_race.ckpt.meta'),  
                        os.path.join("model",'model_ori_race.ckpt'))  
         predict_label=tf.cast(tf.argmax(y,1),tf.int32)  
         print x.get_shape()  
         for imgf in image_filenames:  
             image=cv2.imread(imgf)  
             image=cv2.resize(image,(76,76)).reshape((1,76,76,3))  
             print "cv shape:",image.shape  
   
   
             #cv2.imshow("t",image_np[:,:,::-1])  
             y_np=session.run(predict_label,feed_dict = {x:image, batch_size:1})  
             print race_listsrc[y_np]  
   
   
         coord.request_stop()#queue需要关闭，否则报错  
         coord.join(threads)  

4、移植阶段

(1)一个算法经过实验阶段后，接着就要进入移植商用，因此接着需要采用tensorflow的c api函数，直接进行预测推理，首先我们先把tensorflow编译成链接库，然后编写cmake，调用tensorflow链接库：

[cpp]view plain copy 
     
 
 <span style="font-size:18px;">bazel build -c opt //tensorflow:libtensorflow.so  
 </span>  

在bazel-bin/tensorflow目录下会生成libtensorflow.so文件

(2)调用api函数

tf.contrib.layers.batch_norm(x, decay=0.9, updates_collections=None, epsilon=self.epsilon, scale=True, scope=self.name)

5、量化移植阶段

[python]view plain copy 
     
 
 <span style="font-size:18px;">import  tensorflow as tf  
 with tf.variable_scope('foo'):#在没有启用reuse的情况下,如果该变量还未被创建,那么就创建该变量,如果已经创建过了,那么就获取该共享变量  
     v=tf.get_variable('v',[1])  
 with tf.variable_scope('foo',reuse=True):#如果启用了reuse,那么编译的时候,如果get_variable没有遇到一个已经创建的变量,是会出错的  
     v1=tf.get_variable('v1',[1])</span>  

[python]view plain copy 
     
 
 <span style="font-size:18px;">import  tensorflow.nn.rnn_cell  
   
 lstm = rnn_cell.BasicLSTMCell(lstm_size)#创建一个lstm cell单元类，隐藏层神经元个数为lstm_size  
   
 state = tf.zeros([batch_size, lstm.state_size])#一个序列隐藏层的状态值  
   
 loss = 0.0  
 for current_batch_of_words in words_in_dataset:  
     output, state = lstm(current_batch_of_words, state)#返回值为隐藏层神经元的输出  
     logits = tf.matmul(output, softmax_w) + softmax_b#matmul矩阵点乘  
     probabilities = tf.nn.softmax(logits)#softmax输出  
     loss += loss_function(probabilities, target_words)</span>  

1、one-hot函数：

[python]view plain copy 
     
 
 <span style="font-size:18px;">#ont hot 可以把训练数据的标签，直接转换成one_hot向量，用于交叉熵损失函数  
 import tensorflow as tf  
 a=tf.convert_to_tensor([[1],[2],[4]])  
 b=tf.one_hot(a,5)</span>  

>>b的值为

[python]view plain copy 
     
 <span style="font-size:18px;">[[[ 0.  1.  0.  0.  0.]]  
   
  [[ 0.  0.  1.  0.  0.]]  
   
  [[ 0.  0.  0.  0.  1.]]]</span>

2、assign_sub

[python]view plain copy 
     
 
 <span style="font-size:18px;">import tensorflow as tf  
   
 x = tf.Variable(10, name="x")  
 sub=x.assign_sub(3)#如果直接采用x.assign_sub，那么可以看到x的值也会发生变化  
 init_op=tf.initialize_all_variables()  
 with tf.Session() as sess:  
     sess.run(init_op)  
     print sub.eval()  
     print x.eval()</span>  

可以看到输入sub=x=7

[python]view plain copy 
     
 <span style="font-size:18px;">state_ops.assign_sub</span>

采用state_ops的assign_sub也是同样sub=x=7

也就是说assign函数返回结果值的同时，变量本身的值也会被改变
3、变量查看

[python]view plain copy 
     
 
 <span style="font-size:18px;">    #查看所有的变量  
     for l in tf.all_variables():  
         print l.name</span>  

4、slice函数：

[python]view plain copy 
     
 
 <span style="font-size:18px;">import cv2  
 import  tensorflow as tf  
 #slice 函数可以用于切割子矩形图片，参数矩形框的rect,begin=(minx,miny),size=(width,height)  
 minx=20  
 miny=30  
 height=100  
 width=200  
   
 image=tf.placeholder(dtype=tf.uint8,shape=(386,386,3))  
 rect_image=tf.slice(image,(miny,minx,0),(height,width,-1))  
   
   
 cvimage=cv2.imread("1.jpg")  
 cv2.imshow("cv2",cvimage[miny:(miny+height),minx:(minx+width),:])  
   
   
 with tf.Session() as sess:  
     tfimage=sess.run([rect_image],{image:cvimage})  
     cv2.imshow('tf',tfimage[0])  
 cv2.waitKey()</span>  

5、正太分布：

`tf.truncated_normal`