tensorflow：损失函数和优化器

1 损失函数是在graph中定义的经过operation的tensor。

2损失函数最终要带入到优化器的minimize方法中做参数。minimize方法内部包含了compute_gradients和apply_gradients方法。

3 优化器的minimize方法返回的是operation，一般命名为train_step。

4session的run方法的参数，如果是operation，则返回值为None；如果是tensor，则返回值是ndarray。因此sessrun(train_step,feed_dict)无返回结果，只起训练作用。

5Variable定义时必须给出初始值。Variable是变量，其值保存在session中，session的global_variable_initializer实际上是初始值的保存。

人工智能在去年大火过后，Google开源了其机器学习工具Tensorflow，现在Tensorflow支持了移动端，支持的平台包括 Android ， iOS ， Raspberry Pi 。

但如何添加自己想识别的物体？官方给了 简单的教程 ，但是有很多坑，本文就逐步介绍如何训练自己的，然后在iOS设备上运行。

得到的文件如下：

至此就完成了训练与验证数据的准备工作。

由于内存的限制，为了更好的体验和使用效果，最好降低精度，训练inception_v1模型，但是我比较懒就直接按教程重新训练的inception_v3模型。

这里我用的是教程中的flowers_train，然后将num_classes设为9，因为我的一共9类。同时inception_trainpy记录modelckpt的 *** 作改成每10次记录一次（inception模型比较庞大，我又是单核cpu跑，运行比较耗时，如果按原来的5000次记录一次那么要等大概83小时，才会记录一次）。

设置好，编译flowers_train，运行就可以得到输出的checkpoints了。

运行截图与生成的ckpt：

为了在iOS设备上运行，必须把前面训练的参数写入graph中，生成protobuf格式的文件。

Google提供了freeze_graph，可以直接使用，将运算图和参数写成pb。

这里有4个步骤：

完成上面这些步骤过后就得到可以导入iOS运行的pb文件：

下面是我集合整个流程的一个shell脚本：

由于前面用的是inception_v3模型，所以camera这个demo中某些参数需要改变一下，首先是 const int wanted_input_width 与 const int wanted_input_height ，都要变成299，因为模型输入大小是299299的，其次是采集像素归一化方式，直接除以2550，归一化到[0，1]区间。

运行结果：

以上是第80次迭代参数的预测结果，并不是很理想。但整体流程完成了模型训练与iOS设备运行TF