算法和硬件性能方面的最新进展使研究人员和公司在图像识别，语音识别，推荐引擎和机器翻译等领域取得了长足的进步。 六年前， 中获得了首个 。 两年前，Google Brain团队发布了 ，巧妙地将深度学习应用于大众。 TensorFlow超越了许多用于深度学习的复杂工具。

借助TensorFlow，您将以强大的功能访问复杂的功能。 其强大的功能是TensorFlow的易用性。

在一个分为两部分的系列文章中，我将解释如何快速创建用于实际图像识别的 。 计算步骤是 和可部署执行帧一帧的视频分析和延长时间感知的视频分析。

这个怎么运作

我们在本教程中的目标是获取属于我们训练过的类别的新颖图像，并通过命令运行该图像，该命令将告诉我们该图像适合哪个类别。 我们将按照以下步骤操作：

1. 标签是整理训练数据的过程。 对于花朵，将雏菊的图像拖到“雏菊”文件夹中，将玫瑰拖到“玫瑰”文件夹中，依此类推，以获取所需的多种不同花朵。 如果我们从不标记蕨类，则分类器将永远不会返回“蕨类”。 这需要每种类型的许多示例，因此这是一个重要且耗时的过程。 （我们将使用预先标记的数据开始，这将使速度更快。）
2. 训练是当我们将标记的数据（图像）提供给模型时。 工具将获取随机的一批图像，使用该模型猜测每种图像中的花朵类型，测试猜测的准确性，然后重复进行直到使用大多数训练数据为止。 最后一批未使用的图像用于训练模型 。
3. 是在新颖图像上使用该模型。 例如，输入： IMG207.JPG ，输出： daisies 。 这是最快，最简单的步骤，而且扩展规模小。

训练与分类

在本教程中，我们将训练图像分类器来识别不同类型的花朵。 深度学习需要大量的训练数据，因此我们需要大量的分类花朵图像。 值得庆幸的是，另一个善良的人在收集和排序图像方面做得非常出色，因此我们将使用经过排序的数据集和一个聪明的脚本，该脚本将采用现有的，经过充分训练的图像分类模型，并重新训练模型的最后一层正是我们想要的。 这种技术称为转移学习 。

我们正在重新训练的模型称为Inception v3，最初在2015年12月的论文“ ”中指定。

直到我们进行此培训（大约需要20分钟），Inception才知道如何讲雏菊。 这是深度学习的“学习”部分。

安装

提升机器感知力的第一步：在您选择的平台上 。

第一个也是唯一的依赖性是Docker。 许多TensorFlow教程就是这种情况（应该表明这是一种合理的开始方式）。 我也更喜欢这种安装TensorFlow的方法，因为它通过不安装大量依赖项来保持主机（笔记本电脑或台式机）干净。

引导TensorFlow

安装Docker后，我们准备启动TensorFlow容器进行培训和分类。 创建具有2 GB可用空间的硬盘驱动器上的工作目录。 创建一个名为local的子目录，并记下该目录的完整路径。

docker run      
     -v      
     / path      
     / to      
     / local:      
     / notebooks      
     /      
     local      
     --rm      
     -it      
     --name tensorflow      
     tensorflow      
     / tensorflow:nightly      
     / bin      
     /      
     bash

这是该命令的细分。

• -v /path/to/local:/notebooks/local将刚刚创建的local目录挂载到容器中的方便位置。 如果使用RHEL，Fedora或其他启用SELinux的系统，请在此以允许容器访问目录。
• --rm告诉Docker完成后删除容器。
• -it附加我们的输入和输出以使容器具有交互性。
• --name tensorflow给我们的容器名称tensorflow代替sneaky_chowderhead或任何随机名码头工人可能会选择我们。
• tensorflow/tensorflow:nightly说运行nightly的图像tensorflow/tensorflow从码头工人集线器（公众形象资料库），而不是最新的 （默认情况下，最近建成/可用的图像）。 我们使用每晚而不是最新版本，因为（在撰写本文时） 最新版本包含一个破坏的 ， 是一个数据可视化工具，稍后我们会发现它很方便。
• /bin/bash说不要运行默认命令； 而是运行一个Bash shell。

训练模型

在容器内，运行以下命令以下载并检查培训数据的完整性。

curl      
     -O http:      
     // download.tensorflow.org      
     / example_images      
     / flower_photos.tgz     
          
     echo      
     'db6b71d5d3afff90302ee17fd1fefc11d57f243f  flower_photos.tgz'      
     | sha1sum      
     -c

如果没有看到flower_photos.tgz: OK消息flower_photos.tgz: OK ，则文件不正确。 如果上述curl或sha1sum步骤失败，请在主机的local目录中手动下载并爆炸 （ SHA-1 checksum: db6b71d5d3afff90302ee17fd1fefc11d57f243f ）。

现在将训练数据放置到位，然后下载并检查再训练脚本。

mv flower_photos.tgz local      
     /      
          
     cd      
     local      
     curl      
     -O https:      
     // raw.githubusercontent.com      
     / tensorflow      
     / tensorflow      
     / 10cf65b48e1b2f16eaa826d2793cb67207a085d0      
     / tensorflow      
     / examples      
     / image_retraining      
     / retrain.py     
          
     echo      
     'a74361beb4f763dc2d0101cfe87b672ceae6e2f5  retrain.py'      
     | sha1sum      
     -c

寻找确认retrain.py包含正确的内容。 您应该看到retrain.py: OK 。

最后，该学习了！ 运行再培训脚本。

python retrain.py --image_dir flower_photos --output_graph output_graph.pb --output_labels output_labels.txt

如果遇到此错误，请忽略它：

随着retrain.py进行，训练图像会自动分为几批 。

在输出中，我们希望获得较高的“训练精度”和“验证精度”，以及较低的“交叉熵”。 有关这些术语的详细说明，请参见 。 预计培训将花费约30分钟，以了解现代硬件。

请注意控制台中的最后一行输出：

INFO:tensorflow:Final test accuracy = 89.1 % ( N = 340 )

这表示我们有一个模型，可以在10个图像中有9个正确猜出给定图像中显示了5种可能的花朵类型中的哪一种。 您的准确性可能会因培训过程中的随机性而有所不同。

分类

使用另一个小脚本，我们可以将新的花朵图像提供给模型，并输出其猜测。 这是图像分类。

将以下内容另存为classify.py在主机的local目录中：

import tensorflow      
     as tf      
     ,      
     sys      
           
     image_path      
     =      
     sys .      
     argv      
     [      
     1      
     ]      
     graph_path      
     =      
     'output_graph.pb'      
     labels_path      
     =      
     'output_labels.txt'      
           
          
     # Read in the image_data      
     image_data      
     = tf.      
     gfile .      
     FastGFile      
     ( image_path      
     ,      
     'rb'      
     ) .      
     read      
     (      
     )      
           
          
     # Loads label file, strips off carriage return      
     label_lines      
     =      
     [ line.      
     rstrip      
     (      
     )      
     for line     
              
     in tf.      
     gfile .      
     GFile      
     ( labels_path      
     )      
     ]      
           
          
     # Unpersists graph from file      
          
     with tf.      
     gfile .      
     FastGFile      
     ( graph_path      
     ,      
     'rb'      
     )      
     as f:     
         graph_def      
     = tf.      
     GraphDef      
     (      
     )      
         graph_def.      
     ParseFromString      
     ( f.      
     read      
     (      
     )      
     )      
         _      
     = tf.      
     import_graph_def      
     ( graph_def      
     , name      
     =      
     ''      
     )      
           
          
     # Feed the image_data as input to the graph and get first prediction      
          
     with tf.      
     Session      
     (      
     )      
     as sess:     
         softmax_tensor      
     = sess.      
     graph .      
     get_tensor_by_name      
     (      
     'final_result:0'      
     )      
         predictions      
     = sess.      
     run      
     ( softmax_tensor      
     ,      
              
     {
            
     'DecodeJpeg/contents:0' : image_data      
     }      
     )      
              
     # Sort to show labels of first prediction in order of confidence      
         top_k      
     = predictions      
     [      
     0      
     ] .      
     argsort      
     (      
     )      
     [ -      
     len      
     ( predictions      
     [      
     0      
     ]      
     ) :      
     ]      
     [ ::-      
     1      
     ]      
              
     for node_id      
     in top_k:     
              human_string      
     = label_lines      
     [ node_id      
     ]      
              score      
     = predictions      
     [      
     0      
     ]      
     [ node_id      
     ]      
                   
     print      
     (      
     '%s (score = %.5f)' %      
     ( human_string      
     , score      
     )      
     )

要测试您自己的图像，请将其另存为local目录中的test.jpg并运行（在容器中） python classify.py test.jpg 。 输出将如下所示：

sunflowers      
     ( score      
     =      
     0.78311      
     )      
     daisy      
     ( score      
     =      
     0.20722      
     )      
     dandelion      
     ( score      
     =      
     0.00605      
     )      
     tulips      
     ( score      
     =      
     0.00289      
     )      
     roses      
     ( score      
     =      
     0.00073      
     )

数字表示置信度。 模型确定图像中的花是向日葵，占78.311％。 分数越高表示匹配的可能性越高。 请注意， 匹配项。 多标签分类 。

有关更多详细信息，请查看classify.py详细 。

的图形加载代码已损坏，因此我应用了graph_def = tf.GraphDef()等 。

借助零火箭科学和少量代码，我们创建了一个体面的花卉图像分类器，可以在现成的便携式计算机上每秒处理约五张图像。

在下周发布的本系列的第二部分中，我们将使用此信息来训练不同的图像分类器，然后使用TensorBoard进行深入研究。 如果您想尝试TensorBoard，保持这个容器通过确保运行 docker run 不 被 终止。

翻译自: