源代码与数据文件均在github上，对识别感兴趣的小伙伴点个star啦，共同学习共同进步，谢谢！！！ 只需要把文件完整下载，改变文件的目录，然后把数据改为你想要识别的物品，修改全连接层(最后一层)的输出即可完成识别。 Github地址
数据是由老师手底下几个学生帮忙拍摄获取，大约两千张数据，数据参差不齐，勉强用来训练耍耍，毕竟大数据咱这破电脑也带不动的哇！ 数据分类放在drink_data下的7个文件夹中，文件夹为其分类。drink_data下有一些自己手工拍摄用于验证的照片(事实证明过拟合严重。So 需要大量的数据去解决这个问题。这里挖个坑，先通过改变一些RGB的数字，然后加上裁剪+反转/镜像之类的方法加大数据集，最后了解生成对抗网络去(GANs加大数据集！！
ml的日常包与一些基本参数。
from skimage import io,transform import glob import os import tensorflow as tf import numpy as np import time import datetime #数据集地址 path='C:/Users/Administrator/Desktop/ML/bottle/drink_data/' #图片集合保存地址 #模型保存地址 #C:\Users\Administrator\Desktop\ML\bottle\model #model_path='C:/Users/Administrator/Desktop/ML/bottle/model/model.ckpt' #将所有的图片resize成100*100 w=100 h=100 c=3读取图片，并把图片尺寸修改然后乱序分割数据集
#读取图片 def read_img(path): cate=[path+x for x in os.listdir(path) if os.path.isdir(path+x)] imgs=[] labels=[] for idx,folder in enumerate(cate): for im in glob.glob(folder+'/*.jpg'): #输出读取了的模型的图片 #print('reading the images:%s'%(im)) img=io.imread(im) img=transform.resize(img,(w,h)) imgs.append(img) labels.append(idx) return np.asarray(imgs,np.float32),np.asarray(labels,np.int32) data,label=read_img(path) #打乱顺序 num_example=data.shape[0] arr=np.arange(num_example) np.random.shuffle(arr) data=data[arr] label=label[arr] #将所有数据分为训练集和验证集 ratio=0.8 s=np.int(num_example*ratio) x_train=data[:s] y_train=label[:s] x_val=data[s:] y_val=label[s:]图片初始设置为128*128*3 搭建网络：这里卷积与池化的’SAME’/’ VALID’，一个是当卷积核无法找到足够大小的尺寸进行卷积时补0，一个是尺寸不够的时候直接将剩余多余的部分扔掉。 第一次卷积厚度从3->32，W与H不变。 第二次卷积厚度从32->64，W与H不变。 第三次卷积厚度从64->128，W与H不变。 第四次卷积厚度从128->128，W与H不变。 其中每次卷积后面跟一次池化，池化大小为1*2*2*1。 那么图片在最后得到的结果就是8*8*3 然后其中有3次全连接层降参数，从8*8*3->1024->512->7(这里我识别的种数为7
#-----------------构建网络---------------------- #占位符，因为这里喂的数据组数不确定， x=tf.placeholder(tf.float32,shape=[None,w,h,c],name='x') y_=tf.placeholder(tf.int32,shape=[None,],name='y_') def inference(input_tensor, train, regularizer): with tf.variable_scope('layer1-conv1'): conv1_weights = tf.get_variable("weight",[5,5,3,32],initializer=tf.truncated_normal_initializer(stddev=0.1)) conv1_biases = tf.get_variable("bias", [32], initializer=tf.constant_initializer(0.0)) conv1 = tf.nn.conv2d(input_tensor, conv1_weights, strides=[1, 1, 1, 1], padding='SAME') relu1 = tf.nn.relu(tf.nn.bias_add(conv1, conv1_biases)) with tf.name_scope("layer2-pool1"): #池化到一半 pool1 = tf.nn.max_pool(relu1, ksize = [1,2,2,1],strides=[1,2,2,1],padding="VALID") with tf.variable_scope("layer3-conv2"): conv2_weights = tf.get_variable("weight",[5,5,32,64],initializer=tf.truncated_normal_initializer(stddev=0.1)) conv2_biases = tf.get_variable("bias", [64], initializer=tf.constant_initializer(0.0)) conv2 = tf.nn.conv2d(pool1, conv2_weights, strides=[1, 1, 1, 1], padding='SAME') relu2 = tf.nn.relu(tf.nn.bias_add(conv2, conv2_biases)) with tf.name_scope("layer4-pool2"):#多出来的直接不 pool2 = tf.nn.max_pool(relu2, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='VALID') with tf.variable_scope("layer5-conv3"): conv3_weights = tf.get_variable("weight",[3,3,64,128],initializer=tf.truncated_normal_initializer(stddev=0.1)) conv3_biases = tf.get_variable("bias", [128], initializer=tf.constant_initializer(0.0)) conv3 = tf.nn.conv2d(pool2, conv3_weights, strides=[1, 1, 1, 1], padding='SAME') relu3 = tf.nn.relu(tf.nn.bias_add(conv3, conv3_biases)) with tf.name_scope("layer6-pool3"): pool3 = tf.nn.max_pool(relu3, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='VALID') with tf.variable_scope("layer7-conv4"): conv4_weights = tf.get_variable("weight",[3,3,128,128],initializer=tf.truncated_normal_initializer(stddev=0.1)) conv4_biases = tf.get_variable("bias", [128], initializer=tf.constant_initializer(0.0)) conv4 = tf.nn.conv2d(pool3, conv4_weights, strides=[1, 1, 1, 1], padding='SAME') relu4 = tf.nn.relu(tf.nn.bias_add(conv4, conv4_biases)) with tf.name_scope("layer8-pool4"): pool4 = tf.nn.max_pool(relu4, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='VALID') nodes = 6*6*128 reshaped = tf.reshape(pool4,[-1,nodes]) with tf.variable_scope('layer9-fc1'): fc1_weights = tf.get_variable("weight", [nodes, 1024], initializer=tf.truncated_normal_initializer(stddev=0.1)) if regularizer != None: tf.add_to_collection('losses', regularizer(fc1_weights)) fc1_biases = tf.get_variable("bias", [1024], initializer=tf.constant_initializer(0.1)) fc1 = tf.nn.relu(tf.matmul(reshaped, fc1_weights) + fc1_biases) if train: fc1 = tf.nn.dropout(fc1, 0.5) with tf.variable_scope('layer10-fc2'): fc2_weights = tf.get_variable("weight", [1024, 512], initializer=tf.truncated_normal_initializer(stddev=0.1)) if regularizer != None: tf.add_to_collection('losses', regularizer(fc2_weights)) fc2_biases = tf.get_variable("bias", [512], initializer=tf.constant_initializer(0.1)) fc2 = tf.nn.relu(tf.matmul(fc1, fc2_weights) + fc2_biases) if train: fc2 = tf.nn.dropout(fc2, 0.5) with tf.variable_scope('layer11-fc3'): fc3_weights = tf.get_variable("weight", [512, 7], initializer=tf.truncated_normal_initializer(stddev=0.1)) if regularizer != None: tf.add_to_collection('losses', regularizer(fc3_weights)) fc3_biases = tf.get_variable("bias", [7], initializer=tf.constant_initializer(0.1)) logit = tf.matmul(fc2, fc3_weights) + fc3_biases return logit #激活函数relu改成tanh,可能对你的网络是个优化方法 #---------------------------网络结束---------------------------损失函数，验证函数，训练等函数的源码：
regularizer = tf.contrib.layers.l2_regularizer(0.001) logits = inference(x,False,regularizer) #(小处理)将logits乘以1赋值给logits_eval，定义name，方便在后续调用模型时通过tensor名字调用输出tensor b = tf.constant(value=1,dtype=tf.float32) logits_eval = tf.multiply(logits,b,name='logits_eval') loss=tf.nn.sparse_softmax_cross_entropy_with_logits(logits=logits, labels=y_) #定义损失函数 train_op=tf.train.AdamOptimizer(learning_rate=0.0001).minimize(loss) #这里调整每次的步长,步长太小，验证集达不到效果,很快就过拟合 #每次步长1e-4 correct_prediction = tf.equal(tf.cast(tf.argmax(logits,1),tf.int32), y_) #进行验证 acc= tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) #定义一个函数，按批次取数据 def minibatches(inputs=None, targets=None, batch_size=None, shuffle=False): assert len(inputs) == len(targets) if shuffle: indices = np.arange(len(inputs)) np.random.shuffle(indices) for start_idx in range(0, len(inputs) - batch_size + 1, batch_size): if shuffle: excerpt = indices[start_idx:start_idx + batch_size] else: excerpt = slice(start_idx, start_idx + batch_size) yield inputs[excerpt], targets[excerpt]训练网络，把for下面的代码注释掉，为使用之前保存过的模型再次训练。
#训练和测试数据，可将Times设置更大一些 Times =20 batch_size=64 saver=tf.train.Saver() sess=tf.Session() sess.run(tf.global_variables_initializer()) #下面两句话为调用已有的模型，去再次训练 model_path = "model/model.ckpt" #saver.restore(sess, model_path) start_time = datetime.datetime.now() print('开始训练时间为: ' ,start_time.strftime('%Y-%m-%d %H:%M:%S ')) for epoch in range(Times): #加下面2行是调用之前的模型 #model_path = "model/model.ckpt" #saver.restore(sess, model_path) #training train_loss, train_acc, n_batch = 0, 0, 0 #这里是把所有的数据都训练一遍，然后输出一次结果 for x_train_a, y_train_a in minibatches(x_train, y_train, batch_size, shuffle=True): _,err,ac=sess.run([train_op,loss,acc], feed_dict={x: x_train_a, y_: y_train_a}) train_loss += err; train_acc += ac; n_batch += 1 current_time = datetime.datetime.now() print('现在时间是:',current_time.strftime('%Y-%m-%d %H:%M:%S '),'第',epoch,'次的结果为 : ' ) print(" train loss: %f" % (np.sum(train_loss)/ n_batch)) print(" train acc: %f" % (np.sum(train_acc)/ n_batch)) #saver = tf.train.Saver() #validation val_loss, val_acc, n_batch = 0, 0, 0 for x_val_a, y_val_a in minibatches(x_val, y_val, batch_size, shuffle=False): err, ac = sess.run([loss,acc], feed_dict={x: x_val_a, y_: y_val_a}) val_loss += err; val_acc += ac; n_batch += 1 print(" validation loss: %f" % (np.sum(val_loss)/ n_batch)) print(" validation acc: %f" % (np.sum(val_acc)/ n_batch)) saver.save(sess, model_path) print('保存模型') sess.close()优化方向
场景：基于无人售货机的一个物品识别基础版本
基于无人售货机的一个对货品的图像识别 用了11层网络 源码包括了数据集，数据处理，训练过程，验证过程，并有部分手工照片来验证结果(并且可以通过结果看到神经网络过拟合的严重程度 感兴趣的小伙伴可以直接git clone 下载下来直接跑源码即可正常出结果(需要改变部分源码中的目录 源码train中的session中有两句话是可以通过删掉注释，让代码跑上一次存下的模型，而不需要每次都从头开始跑 需要应用到自己的东西上，仅仅需要改变目录与自己图片的数据，然后改变全连接层的分类结果即可。
优化方向： 1、过拟合考虑加改变层数与厚度，加大数据集 2、激活函数可以relu改成tanh试试 3、步伐的改变 4、单通道图片可以把c=3改为c=1 5、迁移学习获取模型再用自己的数据进行训练 6、考虑一些新的网络，google最近出了不少好东西哇
如果报错： 1、loss的结果为nan(说明你最后一个全连接层的分类结果没设置正确 2、验证结果出现错误，找不到正确的文件(把我源码中的model/model.ckpt.meta修改为model/model.ckpt即可
