TensorFlow图像分类教程
深度學習算法與計算機硬件性能的發展，使研究人員和企業在圖像識別、語音識別、推薦引擎和機器翻譯等領域取得了巨大的進步。六年前，視覺模式識別領域取得了第一個超凡的成果。兩年前，Google大腦團隊開發了TensorFlow，并將深度學習巧妙的應用于各個領域。現在，TensorFlow則超越了很多用于深度學習的復雜工具。
?
?
利用TensorFlow，你可以獲得具有強大能力的復雜功能，其強大的基石來自于TensorFlow的易用性。
?
在這個由兩部分組成的系列中，我將講述如何快速的創建一個應用于圖像識別的卷積神經網絡。
?
TensorFlow計算步驟是并行的，可對其配置進行逐幀視頻分析，也可對其擴展進行時間感知視頻分析。
?
本系列文章直接切入關鍵的部分，只需要對命令行和Python有最基本的了解，就可以在家快速地創建一些令你激動不已的項目。本文不會深入探討TensorFlow的工作原理，如果你想了解更多，我會提供大量額外的參考資料。本系列所有的庫和工具都是免費開源的軟件。
?
工作原理
?
本教程旨在把一個事先被放到訓練過的類別里的圖片，通過運行一個命令以識別該圖像具體屬于哪個類別。步驟如下圖所示：
?
?
標注：管理訓練數據。例如花卉，將雛菊的圖像放到“雛菊”目錄下，將玫瑰放到“玫瑰”目錄下等等，將盡可能多的不同種類的花朵按照類別不同放在不同的目錄下。如果我們不標注“蕨類植物”，那么分類器永遠也不會返回“蕨類植物”。這需要每個類型的很多樣本，因此這一步很重要，并且很耗時。（本文使用預先標記好的數據以提高效率）
?
訓練：將標記好的數據（圖像）提供給模型。有一個工具將隨機抓取一批圖像，使用模型猜測每種花的類型，測試猜測的準確性，重復執行，直到使用了大部分訓練數據為止。最后一批未被使用的圖像用于計算該訓練模型的準確性。
?
分類：在新的圖像上使用模型。例如，輸入：IMG207.JPG，輸出：雛菊。這個步驟快速簡單，且衡量的代價小。
?
訓練和分類
?
本教程將訓練一個用于識別不同類型花朵的圖像分類器。深度學習需要大量的訓練數據，因此，我們需要大量已分類的花朵圖像。值得慶幸的是，另外一個模型在圖像收集和分類這方面做得非常出色，所以我們使用這個帶有腳本的已分類數據集，它有現成且完全訓練過的圖像分類模型，重新訓練模型的最后幾層以達到我們想要的結果，這種技術稱為遷移學習。
?
我們重新訓練的模型是Inception v3，最初是在2015年12月發表的論文“重新思考計算機視覺的Inception架構”中有做論述。
?
直到我們做了這個約20分鐘的訓練，Inception才知道如何識別雛菊和郁金香，這就是深度學習中的“學習”部分。
?
安裝
?
首先，在所選的平臺上安裝Docker。
?
在很多TensorFlow教程中最先且唯一依賴的就是Docker（應該表明這是個合理的開始）。我也更喜歡這種安裝TensorFlow的方法，因為不需要安裝一系列的依賴項，這可以保持主機（筆記本或桌面）比較干凈。
?
Bootstrap TensorFlow
?
安裝Docker后，我們準備啟動一個訓練和分類的TensorFlow容器。在硬盤上創建一個2GB空閑空間的工作目錄，創建一個名為local的子目錄，并記錄完整路徑。
?
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將剛創建的local目錄掛載到容器中適當的位置。如果使用RHEL、Fedora或其他支持SELinux的系統，添加:Z允許容器訪問目錄。
?
--rm?退出時令docker刪除容器
?
-it?連接輸入輸出，實現交互。
?
--name tensorflow將容器命名為tensorflow，而不是sneaky_chowderhead或任何Docker定義的隨機名字。
?
tensorflow/tensorflow:nightly從Docker Hub?（公共圖像存儲庫）運行tensorflow/tensorflow的nightly?圖像，而不是最新的圖像（默認為最近建立／可用圖像）。使用nightly圖像而不是latest圖像，是因為（在寫入時）latest包含的一個bug會破壞TensorBoard，這是我們稍后需要的一個數據可視化工具。
?
/bin/bash指定運行Bash shell，而不運行系統默認命令。
?
訓練模型
?
在容器中運行下述命令，對訓練數據進行下載和完整性檢查。
?
curl?-O?http://download.tensorflow.org/example_images/flower_photos.tgz
echo?'db6b71d5d3afff90302ee17fd1fefc11d57f243f??flower_photos.tgz'?|?sha1sum?-c
?
如果沒有看到“flower_photos.tgz”信息：說明文件不正確。如果上訴curl?或sha1sum步驟失敗，請手動下載訓練數據包并解壓（SHA-1?校驗碼：db6b71d5d3afff90302ee17fd1fefc11d57f243f）到本地主機的local目錄下。
?
現在把訓練數據放好，然后對再訓練腳本進行下載和完整性檢查。
?
mv?flower_photos.tgz local/
cd?local
curl?-O?https://raw.githubusercontent.com/tensorflow/tensorflow/10cf65b48e1b2f16eaa82
6d2793cb67207a085d0/tensorflow/examples/image_retraining/retrain.py
echo?'a74361beb4f763dc2d0101cfe87b672ceae6e2f5??retrain.py'?|?sha1sum?-c
?
確認retrain.py有正確的內容，你應該看到retrain.py: OK.。
?
最后，開始學習！運行再訓練腳本。
?
python retrain.py --image_dir flower_photos --output_graph output_graph.pb?
--output_labels output_labels.txt
?
如果遇到如下錯誤，忽略它：
?
TypeError: not all arguments converted during string formatting Logged from file
tf_logging.py, line 82.
?
隨著retrain.py?的運行，訓練圖像會自動的分批次訓練、測試和驗證數據集。
?
在輸出上，我們希望有較高的“訓練精度”和“驗證精度”，以及較低的“交叉熵”。有關這些術語的詳細解釋，請參照“如何就新圖片類型再訓練Inception的最后一層”。在當前的硬件上的訓練約30分鐘。
?
請注意控制臺輸出的最后一行：
?
INFO:tensorflow:Final?test?accuracy =?89.1%?(N=340)
?
這說明我們已經得到了一個模型：給定一張圖像，10次中有9次可正確猜出是五種花朵類型中的哪一種。由于提供給訓練過程的隨機數不同，分類的精確度也會有所不同。
?
分類
?
再添加一個小腳本，就可以將新的花朵圖像添加到模型中，并輸出測試結果。這就是圖像分類。
?
將下述腳本命名為?classify.py保存在本地local目錄：
?
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))
?
為了測試你自己的圖像，保存在local目錄下并命名為test.jpg，運行（在容器內）?python classify.py test.jpg。輸出結果如下：
?
sunflowers?(score?=?0.78311)
daisy?(score?=?0.20722)
dandelion?(score?=?0.00605)
tulips?(score?=?0.00289)
roses?(score?=?0.00073)
?
數據說明了一切！模型確定圖像中的花朵是向日葵的準確度為78.311%。數值越高表明匹配度越高。請注意，只能有一個匹配類型。多標簽分類則需要另外一個不同的方法。
?
分類腳本中的圖表加載代碼已經被破壞，在這里，我用graph_def = tf.GraphDef()等作為圖表加載代碼。
利用零基礎知識和一些代碼，我們建了一個相當好的花卉圖像分類器，在現有的筆記本電腦上每秒大約可以處理5張圖像。
END
碧茂課堂精彩課程推薦：
1.Cloudera數據分析課；
2.Spark和Hadoop開發員培訓；
3.大數據機器學習之推薦系統；
4.Python數據分析與機器學習實戰；
詳情請關注我們公眾號：碧茂大數據-課程產品-碧茂課堂
現在注冊互動得海量學幣，大量精品課程免費送！
總結
以上是生活随笔為你收集整理的TensorFlow图像分类教程的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： Paxos算法总结
- 下一篇： 数码相机连接android,手机能直接读