本代码库包含了用TensorFlow 1.0分类英文字母的代码。包括：1）导入文件夹中的图片数据；2）分类模型的构建； 3）模型图与分类结果的可视化；4）保存freez后的常数模型；5）测试单张图片的分类结果；这一整套深度学习模型构建和评价过程。 代码属于拼凑而得，并非代表最优流程。 如，图片数据保存在了TFRecords中，导入训练数据时用了queue runner, 为了在训练过程中进行测试以及将测试数据作为embedding_viz的sprite图片，用feed_dict将测试图片输入到queue runner的输入Tensor中。 再如freez模型，即常数化各节点，一般是用于将模型部署到嵌入式环境中。 还比如代码没有包括Android等移动端模型的部署代码。

安装TensorFlow 1.0

$ pip install tensorflow

训练数据集下载路径：http://www.ee.surrey.ac.uk/CVSSP/demos/chars74k/ 选用的数据集是其中的EnglishFnt.tgz，原数据集为128*128的灰度图像。

新建一个文件夹data，将下载的图片Fnt/Sample011 ~ Fnt/Sample062拷贝到当前新建文件夹data下，目录结构为:

|-data
|--Sample011
...
|--Sample062

修改misc/resize_image.py中的data和data_resized文件夹路径，执行：

$ python misc/resize_image.py

得到28*28的灰度图像。data_resized所在的目录结构为：

|-data_resized
|--Sample011
...
|--Sample062

修改misc/gen_labels.py中的路径，根据data_resized的子文件夹名生成labels.txt文件。

$ python misc/gen_labels.py

新建一个data_resized_TFRecord文件夹，修改misc/build_image_data.py中的train_directory，output_directory和labels_file的路径。生成TFRecord。

$ python misc/build_image_data.py

备注：如果图片是RGB可以直接用models中的示例。

修改misc/dataset.py中self.tfrecord_filename的路径，指向build_image_data.py生成的TFRecords。

需要设置一个queue runner thread来将图片数据加入到输入数据队列中，见sess.run(Tensor) does nothing。

目前实现了卷积层和全连接层，以及训练过程中全连接层的dropout。待实现：batch normalization。训练模型：、

$ python model/lenet5_tflayers.py

writer = tf.summary.FileWriter(FLAGS.log_dir + hparam)
writer.add_graph(sess.graph)

上面两行代码，是将Tensor流动的图存入logs文件中，可以用TensorBoard可视化。可以改变这条语句的位置，这样保存的就变成了一部分Tensors。 将最后一层的输入层作为embedding的向量。增加了sprite image和对应labels的生成代码。 具体见model/lenet5_tflayers.py。

执行：

$ tensorboard --logdir=logs/

将图结构的定义和各权值合并在一起得到训练后的模型。若在lenet5_tflayers.py中修改了模型的结构，需要在eval/save_pb.py中修改output_node_names，可以用TensorBoard可视化图选项卡查看类别正确率对应的节点。 执行：

$ python eval/save_pb.python

修改eval/label_image.py中的label文件和pb文件的路径。如果在lenet5_tflayers.py中修改了模型的结构，需要修改文件中的softmax_tensor和predictions的feed_dict中的Tensor名。

执行$ python eval/label_image.py 待分类的图片路径，即可得到该图片的类别。

发现：目前数据集的数据全是正的图片，对于倾斜的字母图片，模型很难正确分类。