科普知识
在实践中，由于数据集不够大，很少有人从头开始训练网络。常见的做法是使用预训练的网络（例如在ImageNet上训练的分类1000类的网络）来重新fine-tuning（也叫微调），或者当做特征提取器。
前言
粉丝老铁们，好久不见，不知道大家的深度学习到了什么程度呢？按照居士之家现在的规划是，两周分享一次文章，理论篇和实战篇交叉分享，本次分享，我们紧跟上次文章深度学习理论篇之 ( 十四) -- AlexNet之更上一楼来进行TensorFlow实战，希望大家仔细弄懂上一期文章才好进入今天的内容哦。
AlexNet之TensorFlow实战
1.数据准备
与上期文章不一样，我们换个数据集，本次采用五种类别的鲜花作为数据集，同样包含两个子集：训练集和验证集。
怎么样，鲜花好看吧！
另外，值得注意的是，由于是五分类，因此，我们的数据读取代码部分有了一点改变：
其余的代码跟第一次项目的一样的哦！
2.网络结构
# AlexNet 网络结构
# 输入：3*227*2227 代表三通道的彩色图像输入，图像大小为227*227
# 卷积层1：卷积核大小为11*11 卷积核个数：96,步长：4
# 最大池化1：采样区域：3*3, 步长：默认为1
# 卷积层2：积核大小为5*5 ,卷积核个数：256, 步长：1
# 最大池化2：采样区域：3*3, 步长：默认为1
# 卷积层3：积核大小为3*3 ,卷积核个数：384, 步长：1，采用padding。
# 卷积层4：积核大小为3*3 ,卷积核个数：384, 步长：1，采用padding。
# 卷积层5：积核大小为3*3 ,卷积核个数：256, 步长：1，采用padding。（在理论篇文章中遗漏了这一层，切记，注意）
# 最大池化3：采样区域：3*3, 步长：默认为1
# 全连接层1：输出84
# 全连接层2：输出5（五分类）
代码语言：javascript复制def inference(images, batch_size, n_classes,drop_rate):
# 卷积层1：卷积核大小为11*11 卷积核个数：96,步长：4
conv1 = Conv_layer(names = 'conv1_scope', input = images , w_shape = [11, 11, 3, 96], b_shape = [96], strid = [4, 4], is_padding = False)
print("---------conv1:{}".format(conv1))
# 最大池化1：采样区域：3*3, 步长：默认为1
down_sample1 = Avg_pool_lrn(names = 'avg_pooling1', input = conv1 , ksize = [1, 2, 2, 1], is_lrn = False)
print("---------down_sample1:{}".format(down_sample1))
# 卷积层2：积核大小为5*5 ,卷积核个数：256, 步长：1
conv2 = Conv_layer(names = 'conv2_scope', input = down_sample1 , w_shape = [5, 5, 96, 256], b_shape = [256], strid = [1, 1], is_padding = False)
# 最大池化2：采样区域：3*3, 步长：默认为1
down_sample2 = Avg_pool_lrn(names = 'avg_pooling2', input = conv2 , ksize = [1, 3, 3, 1], is_lrn = False)
# 卷积层3：积核大小为3*3 ,卷积核个数：384, 步长：1，采用padding。
conv3 = Conv_layer(names = 'conv3_scope', input = down_sample2 , w_shape = [3, 3, 256, 384], b_shape = [384], strid = [1, 1], is_padding = True)
# 卷积层4：积核大小为3*3 ,卷积核个数：384, 步长：1，采用padding。
conv4 = Conv_layer(names = 'conv4_scope', input = conv3 , w_shape = [3, 3, 384, 384], b_shape = [384], strid = [1, 1], is_padding = True)
# 卷积层5：积核大小为3*3 ,卷积核个数：256, 步长：1，采用padding。（在理论篇文章中遗漏了这一层，切记，注意）
conv5 = Conv_layer(names = 'conv4_scope', input = conv3 , w_shape = [3, 3, 384, 256], b_shape = [256], strid = [1, 1], is_padding = True)
reshape = tf.reshape(conv3, shape=[batch_size, -1])
dim = reshape.get_shape()[1].value
# 全连接层1：输出84
local_1 = local_layer(names = 'local1_scope', input = reshape , w_shape = [dim, 84], b_shape = [84])
# 全连接层2：输出5
local_2 = local_layer(names = 'local2_scope', input = local_1 , w_shape = [84, 5], b_shape = [5])
print(local_2.shape)
return local_23.训练过程
可能是数据集太小的原因，这个网络很快就拟合了，后期我们将会采用更大的数据集进行训练。
结语
今天的分享就到此结束了，网络层的构建也比较简单，比较注意的是最后的三个卷积层的输出和其输入的shape是一样的，老铁们可以自行print看看结果哦，此外由于数据集的类别发生了变化，因此相应的数据处理部分和网络的输出部分也做了改变，同时，不知道细心的老铁有没有发现，数据集处理部分似乎有点不合理，我是按照每个类别单独进行循环读取数据，那万一数据分类过多怎么办呢？因此，后期我们将会采用新的一种数据管道的读取方式，高效简洁，一起期待吧！
最后，我们的实战代码希望真心学习的你们一定下去自己实践哦，自己按照第一次项目的代码一步步改进哦，代码调试不通，可以私聊小编，通过自己一步步查找错误进行修正才是真正的学到知识哦！
编辑：玥怡居士|审核：小圈圈居士
