【catsVSdogs】猫狗大战代码注释讲解 2_scratch猫狗大战代码-优快云博客

本文链接：https://blog.youkuaiyun.com/wsLJQian/article/details/78110568

本文介绍使用TensorFlow搭建图像分类模型的过程，包括环境配置、数据预处理、模型训练及评估等内容。解决图像数据类型不匹配的问题，并分享训练效果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

【补充第一部分的一个问题，你可能会遇见的】起初是没有遇见这个问题的，后来换了系统，重装，在ubuntu14.04和windows8的spyder都出现了这个问题，现在把问题列出来

TensorFlow TypeError: Value passed to parameter input has DataType uint8 not in list of allowed values: float16, float32https://stackoverflow.com/questions/44822999/tensorflow-typeerror-value-passed-to-parameter-input-has-datatype-uint8-not-in

这个up主给出了很好的处理方式：https://stackoverflow.com/questions/44822999/tensorflow-typeerror-value-passed-to-parameter-input-has-datatype-uint8-not-in

输入管道中的图像起初类型是“uint8"（8位无符号整数），把灰度图像存入一个8位矩阵，当为RGB图像时，就存入8位RGB矩阵中。为了节省空间，支持uint8,uint16.但是在运算时最好转化为double类型，或者float类型，这样可以保证计算的精度，也会防止溢出，所以再decode之后面image=tf.cast(image,tf.float32)。当然，如果要显示图像，还是要调整为图像的标准数据格式。

直接点到这里的，先回看系列_1。

那下面就讲最后一个部分，这部分搞定，就可以开始训练我们的样本了！！！

一、train.py训练样本

同样，需要调用的lib

import os
import numpy as np
import tensorflow as tf
import input_data
import model#导入另外两个文件

与前面有一点不一样的是，train.py需要input_data.py和model.py的函数，所有有import input_data import model

下面定义初始常数

#%%
N_CLASSES = 2  #二分类，cat or dog
IMG_W = 208
IMG_H =208
BATCH_SIZE = 16    
CAPACITY = 2000
MAX_STEP = 15000#with current parameter,it is suggested to use MAX_STEP>10k
learning_rate = 0.0001#with current parameters,it is suggested to use leaning rate<0.0001

最后，激动人心的，就是定义训练样本的运行函数

二、训练样本的运行函数

#%%
def run_training():
    #with tf.Graph().as_default:
    train_dir = 'D:/Anaconda3/projects/catsVSdogs/data/train/'
    logs_train_dir='D:/Anaconda3/projects/catsVSdogs/logs/train/'
    
    train,train_label = input_data.get_files(train_dir)
    
    train_batch,train_label_batch = input_data.get_batch(train,
                                                         train_label,
                                                         IMG_W,
                                                         IMG_H,
                                                         BATCH_SIZE,
                                                         CAPACITY)
    train_logits = model.inference(train_batch,BATCH_SIZE,N_CLASSES)
    train_loss = model.losses(train_logits,train_label_batch)
    train_op = model.training(train_loss,learning_rate)
    train_acc = model.evaluation(train_logits,train_label_batch)
    
    summary_op = tf.summary.merge_all()#所有的summary弄到一块
    sess = tf.Session()
    train_writer = tf.summary.FileWriter(logs_train_dir,sess.graph)
    saver = tf.train.Saver
    
    sess.run(tf.global_variables_initializer())
    coord = tf.train.Coordinator()
    threads = tf.train.start_queue_runners(sess=sess,coord=coord)
    
    #开始训练
    try:
        for step in np.arange(MAX_STEP):#定义一个循环
            if coord.should_stop():
                break
            _,tra_loss,tra_acc = sess.run([train_op,train_loss,train_acc])
            
            if step%50==0:
                print('Step %d,train loss = %.2f,train accuracy = %.2f%%'%(step,tra_loss,tra_acc*100.0))
                summary_str = sess.run(summary_op)
                train_writer.add_summary(summary_str,step)
                
            if step %2000 == 0 or (step + 1)==MAX_STEP:
                checkpoint_path = os.path.join(logs_train_dir,'model.ckpt')
                saver().save(sess,checkpoint_path,global_step=step)
                
    except tf.errors.OutOfRangeError:
        print('Done training -- epoch limit reached')
    finally:
        coord.request_stop()
    coord.join(threads)
    sess.close()

后面就是利用spyder运算之后和Tensorboard的显示运行结果图