我从网上下载了很多人脸图像。为了学习 Tensorflow，我想将这些图像输入到具有单个隐藏层的简单全连接神经网络。我在here找到了示例代码。
我不知道如何使用下载的图像来训练、评估和测试网络。代码所有者使用了“.mat”文件和.pkl 文件。我不明白他是如何组织训练和测试集的。
为了用我的图像运行代码； 我是否需要将图像分为训练、测试和验证文件夹，并将每个文件夹转换为 mat 文件？我如何为培训提供标签？
此外，我不明白他为什么使用'.pkl'文件？
总而言之，我想更改此代码，以便我可以使用我的图像数据集找到测试集、训练集和验证集分类性能。
首先，您不必使用
.matnumpy array例如，假设您有 70000 张大小为 28x28（= 784 维度）的图像，属于 10 个类别。我们还假设您想训练一个简单的前馈神经网络来对图像进行分类。
第一步是在训练和测试之间分割图像（以及验证，但为了简单起见，让我们把它放在一边）。为了举例，我们假设您选择随机 60000 张图像作为训练集，10000 张图像作为测试集。
第二步是确保您的数据具有正确的格式。在这里，您希望训练集包含一个用于图像的形状为 (60000, 784)
的 numpy 数组，以及另一个用于标签的形状为
(60000, 10)的 numpy 数组（如果您使用 one-hot 编码来表示您的类）。至于您的测试集，您应该有一组形状为
(10000, 784)的图像和一个形状为
(10000, 10)的标签。一旦有了这些大的 numpy 数组，您应该定义
placeholders
，这将允许您在训练和评估期间向网络提供数据。
images = tf.placeholder(tf.float32, shape=[None, 784])
labels = tf.placeholder(tf.int64, shape=[None, 10])
这里的
None
意味着你可以输入任意大小的批次，即任意数量的图像，只要你的numpy数组的形状为
(anything, 784)。
第三步包括定义模型以及损失函数和优化器。
第四步包括使用上面创建的占位符向网络提供随机批次的数据来训练网络。当您的网络正在训练时，您可以定期打印其性能，例如训练损失/准确度以及测试损失/准确度。 您可以在
这里