TensorFlow图像分类教程

2017 年 12 月 29 日 机器学习研究会

云栖君导读：深度学习算法与计算机硬件性能的发展，使研究人员和企业在图像识别、语音识别、推荐引擎和机器翻译等领域取得了巨大的进步。六年前，视觉模式识别领域取得了第一个超凡的成果。两年前，Google大脑团队开发了TensorFlow，并将深度学习巧妙的应用于各个领域。现在，TensorFlow则超越了很多用于深度学习的复杂工具。

利用TensorFlow，你可以获得具有强大能力的复杂功能，其强大的基石来自于TensorFlow的易用性。

在这个由两部分组成的系列中，我将讲述如何快速的创建一个应用于图像识别的卷积神经网络。

TensorFlow计算步骤是并行的，可对其配置进行逐帧视频分析，也可对其扩展进行时间感知视频分析。

本系列文章直接切入关键的部分，只需要对命令行和Python有最基本的了解，就可以在家快速地创建一些令你激动不已的项目。本文不会深入探讨TensorFlow的工作原理，如果你想了解更多，我会提供大量额外的参考资料。本系列所有的库和工具都是免费开源的软件。

工作原理

本教程旨在把一个事先被放到训练过的类别里的图片，通过运行一个命令以识别该图像具体属于哪个类别。步骤如下图所示：

标注：管理训练数据。例如花卉，将雏菊的图像放到“雏菊”目录下，将玫瑰放到“玫瑰”目录下等等，将尽可能多的不同种类的花朵按照类别不同放在不同的目录下。如果我们不标注“蕨类植物”，那么分类器永远也不会返回“蕨类植物”。这需要每个类型的很多样本，因此这一步很重要，并且很耗时。（本文使用预先标记好的数据以提高效率）
训练：将标记好的数据（图像）提供给模型。有一个工具将随机抓取一批图像，使用模型猜测每种花的类型，测试猜测的准确性，重复执行，直到使用了大部分训练数据为止。最后一批未被使用的图像用于计算该训练模型的准确性。
分类：在新的图像上使用模型。例如，输入：IMG207.JPG，输出：雏菊。这个步骤快速简单，且衡量的代价小。

训练和分类

本教程将训练一个用于识别不同类型花朵的图像分类器。深度学习需要大量的训练数据，因此，我们需要大量已分类的花朵图像。值得庆幸的是，另外一个模型在图像收集和分类这方面做得非常出色，所以我们使用这个带有脚本的已分类数据集，它有现成且完全训练过的图像分类模型，重新训练模型的最后几层以达到我们想要的结果，这种技术称为迁移学习。

我们重新训练的模型是Inception v3，最初是在2015年12月发表的论文“重新思考计算机视觉的Inception架构”中有做论述。

直到我们做了这个约20分钟的训练，Inception才知道如何识别雏菊和郁金香，这就是深度学习中的“学习”部分。

安装

首先，在所选的平台上安装Docker。

在很多TensorFlow教程中最先且唯一依赖的就是Docker（应该表明这是个合理的开始）。我也更喜欢这种安装TensorFlow的方法，因为不需要安装一系列的依赖项，这可以保持主机（笔记本或桌面）比较干净。

Bootstrap TensorFlow

安装Docker后，我们准备启动一个训练和分类的TensorFlow容器。在硬盘上创建一个2GB空闲空间的工作目录，创建一个名为local的子目录，并记录完整路径。

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

下面是命令解析：

-v /path/to/local:/notebooks/local将刚创建的local目录挂载到容器中适当的位置。如果使用RHEL、Fedora或其他支持SELinux的系统，添加:Z允许容器访问目录。

--rm 退出时令docker删除容器

-it 连接输入输出，实现交互。

--name tensorflow将容器命名为tensorflow，而不是sneaky_chowderhead或任何Docker定义的随机名字。

tensorflow/tensorflow:nightly从Docker Hub （公共图像存储库）运行tensorflow/tensorflow的nightly 图像，而不是最新的图像（默认为最近建立／可用图像）。使用nightly图像而不是latest图像，是因为（在写入时）latest包含的一个bug会破坏TensorBoard，这是我们稍后需要的一个数据可视化工具。

/bin/bash指定运行Bash shell，而不运行系统默认命令。

转自：云栖社区

完整内容请点击“阅读原文”

登录查看更多