写在前面
tensorflow2.0是真的香！Anaconda是真的香！
大一寒假，开始折腾神经网络，之前买了不少相关书籍，虽说全部都看了一遍，但是感觉自己对一些细节还是理解得不是很清晰。（算了，该黑箱就黑箱）。高三数据有玩过tensorflow1.x，搭了个线性回归和全连接神经网络的mnist就没了。然后就去写开源固定翼飞控的程序了QAQ。（开源链接:https://gitee.com/pineconepi/PineconePi_Pilot）。然后本来计划着大一上学期在校时间玩玩，结果仍然是咕咕咕，因为各种事情鸽掉了。日常唠嗑结束了，下面开始正文：
关于jetson nano +tensorflow 的更多代码分享见：
https://gitee.com/xddcore/Jetson_Nano
关于tensorflow,anaconda的安装，百度上一搜有一大把，我就不再重述一遍了，大家自行百度就行。
官方API文档链接（学tensorflow真的不用买书，看API文档就行了QAQ）：
https://tensorflow.google.cn/api_docs/python/tf
制作自己的数据集
相信刚刚入门神经网络的小白都会有一个疑问：“虽然我自己跑了mnist，fashion mnist等数据集，但是我想有个自己的数据集啊QAQ。我要训练个神经网络，帮我找npy啊（说出了程序猿的心声）”。那么现在就围绕自己制作数据集开始。大家目前接触到的数据都是图像数据（大概分为两类，BMP（单色位，也就是黑白），RGB(也就是彩色，一般是RGB888)）
想制作训练集，很简单，阅读完官方API文档后，我写出了如下程序：
import os
import tensorflow as tf
from PIL import Image #注意Image,后面会用到
import matplotlib.pyplot as plt
import numpy as np
i = 0
cwd='E:/AI/datasets/dogvs.cat/train/'#根目录
classes=['dog','cat'] #狗与猫
writer= tf.io.TFRecordWriter("train.tfrecords") #要生成的文件
for index,name in enumerate(classes):
class_path = cwd + name + '/'
for img_name in os.listdir(class_path):
img_path=class_path+img_name #每一个图片的地址
img=Image.open(img_path)
img= img.resize((128,128))
img_raw=img.tobytes()#将图片转化为二进制格式
example = tf.train.Example(
features=tf.train.Features(
feature={
"label": tf.train.Feature(int64_list=tf.train.Int64List(value=[index])),
'img_raw': tf.train.Feature(bytes_list=tf.train.BytesList(value=[img_raw]))
}
)
) #example对象对label和image数据进行封装
writer.write(example.SerializeToString()) #序列化为字符串
i = i + 1
print("已写入"+str(i)+"张图片")
writer.close()上述程序功能很清楚，读取根目录下的标有分类文件夹，标签用0，1表示（0：狗，1：猫），然后将图片resize成128*128分辨率，然后转成String根据设置好的特征写入到TFRecord文件中，标签以int写入。（为啥要这样弄，别问我，问就是官方文档就说得像这样弄）。
用TFRecord的好处，以二进制编码，后面训练时加载速度会比较快（如果你是AMD 3990X+4路RTX 2080TI，当我没说）
数据集制作好了，现在开始进行训练
追《大主宰》去了，虽然自己不喜欢看小说，但是小说改编的电视剧是真的香QAQ。后面有空再更新
