零、学习目标
tensorflow 数据读取原理
深度学习数据增强原理
一、CIFAR-10数据集简介
是用于普通物体识别的小型数据集，一共包含 10个类别 的 RGB彩色图片（包含：（飞机、汽车、鸟类、猫、鹿、狗、蛙、马、船、卡车）。图片大小均为 3232像素*，数据集中一共有 50000 张训练图片和 1000 张测试图片。部分代码来自于tensorflow官方，以下表格列出了所需的官方代码。
二、下载CIFAR-10数据
在工程根目录创建 cifar10_download.py ,输入如下代码创建下载数据的程序：
# 引入当前目录中已经编写好的cifar10模块 import cifar10 # 引入tensorflow import tensorflow as tf # 定义全局变量存储器，可用于命令行参数的处理 # tf.app.flags.FLAGS 是tensorflow 内部的一个全局变量存储器 FLAGS = tf.app.flags.FLAGS # 在cifar10 模块中预先定义了cifar-10的数据存储路径，修改数据存储路径 FLAGS.data_dir = 'cifar10_data/' # 如果数据不存在，则下载 cifar10.maybe_download_and_extract()
执行完这段代码后，CIFAR-10数据集会下载到目录 cifar10_data 目录下。默认的存储路径书 tmp/cifar10_data，定义在代码文件cifar10.py中，位置大约在53行附近。
修改完数据存储路径后，通过 cifar10.maybe_download_and_extract()来下载数据，下载期间如果数据存在于数据文件夹中则跳过下载数据，反之下载数据。下载成功后会提示 Successfully downloaded cifar-10-binary.tar.gz 170052171 bytes.
下载完成后，cifar10_data/cifar-10-batches-bin 中将出现8个文件,名称和用途如下表：
三、TensorFlow 读取数据的机制
- 普通方式
将硬盘上的数据读入内存中，然后提供给CPU或者GPU处理
- 内存队列方式
普通方式读取数据会出现GPU或CPU在一段时间内存在空闲，导致运算效率降低。利用内存队列，将数据读取和计算放在两个线程中，读取线程只需向内存队列中读入文件，而计算线程只用从内存队列中读取计算需要的数据，这样就解决了GPU或者CPU的空闲问题。
- 文件名队列+内存队列
TensorFlow采用 文件名队列+内存队列，这种方式可以很好的管理epoch（注1）和避免计算单元的空闲问题。举个例子，假设有三个数据文件要执行一次epoch，那么就在文件名队列中放入这三个数据文件各一次，并且在最后放入的数据文件后面标注队列结束。内存队列依次从文件名队列的顶部读取数据文件，读到结束标记后就会自动抛出异常，捕获这个异常后程序就可以结束。如果是执行N次epoch，那么就把每个数据文件放入文件名队列N次。
注1：
对于数据集来说，运行一次epoch就是将数据集里的所有数据完整的计算一遍，以此类推运行N次epoch就是将数据集里的所有数据完整的计算N遍
四、创建文件名队列和内存队列
- 创建文件名队列
利用tensorflow的 tf.train.string_input_producer()（注2） 函数。给函数传入一个文件名列表，系统将会转换未文件名队列。tf.train.string_input_producer() 函数有两个重要的参数，分别是 num_epochs 和 shuffle ，num_epochs表示epochs数，shuffle表示是否打乱文件名队列内文件的顺序，如果是True表示不按照文件名列表添加的顺序进入文件名队列，如果是Flase表示按照文件名列表添加的顺序进入文件名队列。
- 创建内存队列
在tensorflow中不手动创建内存队列，只需使用 reader对象从文件名队列中读取数据就可以了。
注2：
使用tf.train.string_input_producer() 创建完文件名队列后，文件名并没有被加入到队列中，如果此时开始计算，会导致整个系统处于阻塞状态。
在创建完文件名队列后，应调用 tf.train.start_queue_runners方法才会启动文件名队列的填充，整个程序才能正常运行起来。
3. 代码
import tensorflow as tf # 新建session with tf.Session() as sess: # 要读取的三张图片 filename = ['img/1.jpg', 'img/2.jpg', 'img/3.jpg'] # 创建文件名队列 filename_queue = tf.train.string_input_producer(filename, num_epochs=5, shuffle=False) reader = tf.WholeFileReader() key, value = reader.read(filename_queue) # 初始化变量(epoch) tf.local_variables_initializer().run() threads = tf.train.start_queue_runners(sess=sess) i = 0 while True: i += 1 # 获取图片保存数据 image_data = sess.run(value) with open('read/test_%d.jpg' % i, 'wb') as f: f.write(image_data)
五、数据增强
对于图像数据来说，数据增强方法就是利用平移、缩放、颜色等变换增大训练集样本个数，从而达到更好的效果（注3），使用数据增强可以大大提高模型的泛化能力，并且能够预防过拟合。
常用的图像数据增强方法如下表
注3：
使用数据增强的方法前提是，这些数据增强方法不会改变图像的原有标签。比如数字6的图片，经过上下翻转之后就变成了数字9的图片。
六、CIFAR-10识别模型
建立模型的代码在cifar10.py文件额inference函数中，代码在这里不进行详解，读者可以去阅读代码中的注释。
这里我们通过以下命令训练模型：
python cifar10_train.py --train_dir cifar10_train/ --data_dir cifar10_data/
这段命令中 –data_dir cifar10_data/ 表示数据保存的位置， –train_dir cifar10_train/ 表示保存模型参数和训练时日志信息的位置
七、查看训练进度
在训练的时候我们往往需要知道损失的变化和每层的训练情况，这个时候我们就会用到tensorflow提供的 TensorBoard。打开一个新的命令行，输入如下命令：
tensorboard --logdir cifar10_train/
其中 –logdir cifar10_train/ 表示模型训练日志保存的位置，运行该命令后将会在命令行看到类似如下的内容
在浏览器上输入显示的地址，即可访问TensorBoard。简单解释一下常用的几个标签：
八、检测模型的准确性
在命令行窗口输入如下命令：
python cifar10_eval.py --data_dir cifar10_data/ --eval_dir cifar10_eval/ --checkpoint_dir cifar10_train/
–data_dir cifar10_data／ 表 示 CIFAR-10 数据集的存储位置 。
–heckpoint_dir cifar1O_train／ 则表示程序模型保存在 cifar10_train／文件夹下。
–eval_dir cifar10_eval/ 指定了一个保存测试信息的文件夹
输入以下命令，在TensorBoard上查看准确率岁训练步数的变化情况：
tensorboard --logdir cifar10_eval/ --port 6007
在浏览器中输入：http://127.0.0.1:6007，展开 Precision @ 1 选项卡，就可以看到准确率随训练步数变化的情况。
九、代码下载
Git地址：https://gitee.com/bugback/ai_learning.git
百度网盘：https://pan.baidu.com/s/17HdfI2R9gsOMKi4pgundSA
