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–nametensorflowtensorflow/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。
训练模型
在容器中运行下述命令，对训练数据进行下载和完整性检查。
curl-Ohttp://download.tensorflow.org/example_images/flower_photos.tgzecho’db6b71d5d3afff90302ee17fd1fefc11d57f243fflower_photos.tgz’|sha1sum-c
如果没有看到“flower_photos.tgz”信息：说明文件不正确。如果上诉curl或sha1sum步骤失败，请手动下载训练数据包并解压（SHA-1校验码：db6b71d5d3afff90302ee17fd1fefc11d57f243f）到本地主机的local目录下。
现在把训练数据放好，然后对再训练脚本进行下载和完整性检查。
mvflower_photos.tgz local/cdlocalcurl-Ohttps://raw.githubusercontent.com/tensorflow/tensorflow/10cf65b48e1b2f16eaa826d2793cb67207a085d0/tensorflow/examples/image_retraining/retrain.pyecho’a74361beb4f763dc2d0101cfe87b672ceae6e2f5retrain.py’|sha1sum-c
确认retrain.py有正确的内容，你应该看到retrain.py: OK.。
最后，开始学习！运行再训练脚本。
python retrain.py –image_dir flower_photos –output_graph output_graph.pb–output_labels output_labels.txt
如果遇到如下错误，忽略它：
TypeError: not all arguments converted during string formatting Logged from filetf_logging.py, line 82.
随着retrain.py的运行，训练图像会自动的分批次训练、测试和验证数据集。
在输出上，我们希望有较高的“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解释，请参照“如何就新图片类型再训练Inception的最后一层”。在当前的硬件上的训练约30分钟。
请注意控制台输出的最后一行：
INFO:tensorflow:Finaltestaccuracy =89.1%(N=340)
这说明我们已经得到了一个模型：给定一张图像，10次中有9次可正确猜出是五种花朵类型中的哪一种。由于提供给训练过程的随机数不同，分类的精确度也会有所不同。
分类
再添加一个小脚本，就可以将新的花朵图像添加到模型中，并输出测试结果。这就是图像分类。
将下述脚本命名为classify.py保存在本地local目录：
importtensorflowastf,sysimage_path=sys.argv[1]graph_path=’output_graph.pb’labels_path=’output_labels.txt’# Read in the image_dataimage_data=tf.gfile.FastGFile(image_path,’rb’).read()# Loads label file, strips off carriage returnlabel_lines=[line.rstrip()forline intf.gfile.GFile(labels_path)]# Unpersists graph from filewithtf.gfile.FastGFile(graph_path,’rb’)asf: 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 predictionwithtf.Session()assess: 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] fornode_idintop_k: human_string=label_lines[node_id] score=predictions[0][node_id] print(‘%s (score = %.5f)’%(human_string,score))
为了测试你自己的图像，保存在local目录下并命名为test.jpg，运行（在容器内）python classify.py test.jpg。输出结果如下：
sunflowers(score=0.78311)daisy(score=0.20722)dandelion(score=0.00605)tulips(score=0.00289)roses(score=0.00073)
数据说明了一切！模型确定图像中的花朵是向日葵的准确度为78.311%。数值越高表明匹配度越高。请注意，只能有一个匹配类型。多标签分类则需要另外一个不同的方法。
分类脚本中的图表加载代码已经被破坏，在这里，我用graph_def = tf.GraphDef()等作为图表加载代码。
利用零基础知识和一些代码，我们建了一个相当好的花卉图像分类器，在现有的笔记本电脑上每秒大约可以处理5张图像。
希望你能够继续关注系列其他博文。
以上为译文。本文由阿里云云栖社区组织翻译。
文章原标题《Learn how to classify images with TensorFlow》，译者：Mags，审校：袁虎。
近期课程推荐
深圳班：1月13-14日（2天）
有意者点击图片查看全文
原文始发于微信公众号（PPV课数据科学社区）：TensorFlow图像分类教程
原创文章，作者：ppvke，如若转载，请注明出处：http://www.ppvke.com/archives/7957
