Tensorflow最簡單的圖像搭建識別系統

從我們見到的各種圖像識別軟件來看，機器似乎能認出人臉、貓、狗、花草、各種汽車等等日常生活中出現的物體，但實際上，這有一個前提：你要用這些類別的圖像，對它進行過訓練。

確切地說，該叫它“圖像分類”。

建立一個圖像分類器並不復雜，技術博客Source Dexter上最近發表的一篇文章，介紹了該如何快速用TensorFlow實現圖像分類。

以下是量子位節選自這篇文章的內容：

在進入正題之前，我們先講一些基本概念。

圖像分類是怎樣實現的？

向一個訓練過的系統輸入圖像，我們會得到一組概率值：每個訓練過的類別都有一個，然後，系統會將圖像歸到概率最高的類。

比如說你訓練了一個系統，來識別貓和狗。當你輸入一張圖像時，系統會輸出這張圖像屬於貓的概率和屬於狗的概率。

不過，這種分類器也有一個缺陷：如果你輸入一張蛇的圖片，它也只能判斷這張圖片包含貓的概率高，還是包含狗的概率高一點。

神經網絡和深度神經網絡

概括地說，神經網絡是計算單元的連接，能夠從提供給它的一組數據中進行學習。

把多層神經網絡堆疊在一起，我們就得到了深度神經網絡。建立、訓練和運行深度神經網絡的過程，稱為深度學習。

量子位之前發布的文章詳細介紹了包括神經網絡在內的《25個深度學習基礎概念》，可以點擊查看。

TensorFlow

TensorFlow是一個數學庫，也是深度學習領域使用最廣的開源框架，由Google開發。

在這篇文章中，我們將用TensorFlow預訓練模型來設置我們的分類器。

想要設置這個分類器，還有幾個先決條件：

你的機器上安裝並設置好了TensorFlow；你會用Python。

從零開始訓練一個深度學習的分類器需要幾周、甚至幾個月的時間，這取決於你用什麽硬件。為了避免這種麻煩，我們將使用預先訓練的模型。 Tensorflow預訓練的模型通常能夠識別大約1000類不同的物體。

接下來，我們開始設置自己的圖像分類器：

第1步：下載預訓練模型、計算圖和腳本

clone這個存儲區，並用以下命令進入：git clone https://github.com/akshaypai/tfClassifier

第2步：運行腳本找到最佳預測

你可以提供要分類的圖像，來運行這個腳本。默認情況下，將顯示概率最高的結果。Python classifier.py --image_file file_path_to_image

如果想獲得前幾個分類結果，可以使用以下參數。Python classifier.py --image_file file_path_to_image --num_top_predictions number_of_top_results

示例：以下是我們輸入玫瑰花圖像，獲得的結果。

python classifier.py --image_file ~/Pictures/rose.jpg

分類器說，這個圖像是朝鮮薊，可能性是24%。

第3步：運行腳本來獲取前n個識別出的類

現在讓我們嘗試給出一個具有更多屬性的圖像，如下面的房子的形象：

python classifier.py --image_file ~/Pictures/house.jpg picket fence, paling (score = 0.86108)

從上面的結果可以看出，分類器認為這張圖片中包含柵欄的可能性是86%，還有可能包含另一個柵欄、庭院/露臺等。

用TensorFlow預訓練的模型對圖像進行分類，就是這麽簡單。不過，預訓練模型能識別的類是有限的，如果你希望分類器來區分你需要的類別，需要重新訓練這個模型。

下面，我們再介紹一下如何對模型進行重新訓練。

第1步：設置圖像文件夾

這一步涉及設置文件夾結構，好讓TensorFlow能輕松獲取這些類別。比如說你想訓練神經網絡，識別5種花：玫瑰、郁金香、蒲公英、可可花、萬壽菊。

創建文件夾結構時：

為每種花創建一個文件夾，該文件夾的名稱是類別的名稱（在我們舉的例子中，是這種花的名稱）；

將花的圖像添加到其各自的文件夾中。例如把玫瑰的所有圖像放進“玫瑰”文件夾。

將所有文件夾添加到另一個父文件夾中，比如說“花”。

添加完之後，你將看到這樣的文件夾結構：~/flowers

所有文件夾都這樣設置，文件夾結構就準備好了。

第2步：運行重新訓練腳本

用下面的命令來運行腳本：python retrain.py --model_dir ./inception --image_dir ~/flowers --output_graph ./output --how_many_training_steps 1000

命令行參數：

-model_dir：該參數給出了預訓練模型的位置。預先訓練的模型存儲在git存儲庫的inception文件夾下。

-image_dir：在上一步中創建的圖像文件夾的路徑。

-output_graph：存儲新訓練圖的位置。

-how_many_training_steps：training steps表示要執行的叠代次數，默認是4000。找到正確的次數需要經過不斷試錯，一旦找到最好設置，就可以開始用了。

下列參數可以用來提高模型的準確度：

random_crop：隨機裁剪能夠讓你專註於圖像的主要部分。

Random_scale：和裁剪類似，但可以隨機擴展圖像大小。

flip_left_right：翻轉。

以上，就是重新訓練深度學習模型所需的步驟，這樣就可以識別自定義的物體了。

想學習更多可以訪問：http://www.tensorfly.cn/tfdoc/get_started/introduction.html

Tensorflow最簡單的圖像搭建識別系統