如何用Python和TensorFlow框架实现101000张图片的图像识别算法及流程？

本文共计1123个文字，预计阅读时间需要5分钟。

前阵子，我从Kaggle下载了food-101（1万张食品图片）的数据集，想要实现图像识别。费了好长时间，自己电脑都有些不动了，最后终于找到了几种方法实现识别。

一个月前，我将kaggle里面的food-101（101000张食物图片），数据包下载下来，想着实现图像识别，做了很长时间，然后自己电脑也带不动，不过好在是最后找各种方法实现出了识别，但是准确率真的非常低，我自己都分辨不出来到底是哪种食物，电脑怎么分的出来呢？

在上一篇博客中，我提到了数据的下载处理，然后不断地测试，然后优化代码，反正过程极其复杂，很容易出错。

再说下代码流程吧:

1. 关于数据集的处理，我上篇博客写道：将其灰度处理，实际上是应该二值化，将彩色图片转化为（0，1）的范围里面，首先是读取每一个文件的数据（这里的每张图片都有一个标签），然后将其随机分为80%的训练集，20%的测试集：

   for filename in dir: img = np.multiply(img, 1.0/255.0) size = int(config.size * len(images))

   这里采用循环的方式，每一张都进行二值化，然后存入列表，再根据我设置的大小进行选择。