Tensorflow实现猫狗大战AlexNet

这一篇博客利用TensorFlow实现了VGG16，其中在处理数据的时候将图片数据集转化为TensorFlow专用格式。但是对于某些容量非常庞大、数据量非常多的数据集来说，将其转换为TFRecords格式是一个非常浩大的工程，而且往往由于原始的数据集和转换后的数据集容量过大，使得加载和读取消耗更多的资源，从而引起一些列的问题。
今天介绍另一种数据处理方式：图片地址数据集转换为TensorFlow专用格式，即读取生成batch后的地址。

1. 项目架构

数据集地址：https://www.kaggle.com/c/dogs-vs-cats
数据集分为训练集与测试集，直接解压放到项目中。
先看项目架构：

2. 文件说明

文件	功能
train	存放训练集图片
test1	存放测试集图片
pre.py	将训练集图片 resize 成统一大小
train_temp	存放pre.py处理后的统一大小的图片
create_and_read_TFRecord2.py	将数据集按类别分类，将分类好的图片放进 data 文件夹
data	存放分类好的图片，该文件夹下有 cat / dog 两个子文件夹
training.py	网络训练过程
test.py	对网络训练结果进行测试

3. 训练过程

1. 先运行 pre.py 文件，将训练集图片 resize 成同样大小。
2. 运行 create_and_read_TFRecord2.py，将图按类别分类（便于后面打标签与分batch）。
3. 再运行training.py进行训练。
4. 训练2000轮结果，一般在1500轮收敛。
   

4. 项目源码

https://github.com/dhuQChen/AlexNet

作为练习，读者可以：

1. 使用BN正则化处理（注意：BN的位置应在Relu之前；衰退率decay的大小应合适；is_training训练时设置为True，评估时设置为False，否则会导致预测为同一类别。）
2. 对源码按照上一篇博客代码组织架构对本案例代码进行模块化。
3. 对17 Flowers数据集使用AlexNet进行分类。