又来到了快乐的机器学习时光，在上一讲中我们提到了如何将自定义数据转换成tensorflow输入的格式，这真是一个好消息，这样我们就可以愉快的训练我们自己的数据了，不过……(我就知道事情不会这么简单)不过自己的数据集还没有训练好，而且数据集太大了，八十几个Ｇ害怕自己的电脑受不了，不想在笔记本上跑，所以暂且没有使用自定义的数据，不过还是想看看处理效果，好奇害死猫呀，这不就开始倒腾已有的数据，在这里我训练的是pascal的数据，数据包含二十种第五ｎ多图像，具体多少张我也不知道．我们同样是采用下面的步骤进行处理:

  1. 获取训练样本，样本为XML格式
  2. 将训练样本转换为tensorflow所需要的输入格式
  3. 选择模型配置文件
  4. 对模型进行训练，然后就是漫长的等待过程

昨晚训练了一晚上的模型，不过似乎并没有使得模型收敛，不过幸好每次都会输出checkpoint,所以也不至于前工尽弃，不过还是说明训练其实是一个很费时的过程，当然咯也跟数据量有直接关系，也跟电脑配置有关系，由于我都是采用CPU进行训练，且只是双核的CPU所以效率比较低，废话不多说，看看目前的训练效果：

上图为全局误差的变化图，从图中我们可以看到随着训练次数的增加，误差是在下降的，但是当训练次数超过两百次之后误差下降的速度就开始变缓，同时出现震荡的现象，不过整体误差还是呈现出下降的趋势．

当然，我们还可以看看步长的整体变化趋势，这些信息都会在tensorboard中输出，只需要调用tensorboard查看就好了，还是很方便的，当然，最重要的是可以查看模型的　Ｇｒａｐｈ，实际上由于深度学习模型比较复杂，模型图难以整体呈现，在这里就不贴模型图了，由于昨晚并没有完成训练，今天只能接着昨天的训练，不过在选择模型参数过程中直接套用的模型参数其实没有理解Fast-RCNN模型每个参数的含义，所以也不知道怎么调，下一讲会详细介绍Fast-RCNN的过程，以便于理解模型参数配置的含义．