使用TensorFlow創建一個簡單而強大的圖像分類神經網絡模型
by Adam Monsen
▌引言
由於深度學習算法和硬體性能的快速發展，研究人員和各大公司在圖像識別，語音識別，推薦引擎和機器翻譯等領域取得了長足的進步。六年前，在計算機視覺領域首先出現重大突破，這其中以CNN模型在ImageNet數據集上的成功為代表。兩年前，Google Brain團隊開源TensorFlow，使得我們可以靈巧快速地開發自己的深度學習模型。 目前來看， TensorFlow已經超越許多其他深度學習的工具庫。
TensorFlow可以賦予你強大的能力，其具有良好的易用性，使你輕鬆實現各種複雜功能。
本文由兩部分組成，我將解釋如何快速創建用於實際圖像識別的卷積神經網絡。當然該網絡還可以對視頻中的逐幀圖像進行分析，從而擴展基於時間序列的視頻分析。
本文提供你最需要的乾貨，你只需要了解一些命令行和Python的基礎知識就行了。 本系列目的在於讓你快速動手，並激勵你創造屬於自己的新項目。限於篇幅，我不會深入探討TensorFlow的工作原理，但如果你想了解更多，我會提供大量額外的參考資料。本系列中的所有庫和工具都是免費的、開源的。
▌它是怎麼工作的
我們在本教程中的目標是：通過一個命令給出一個新圖像屬於哪個類別，我們將按照以下步驟操作：
1.標註（Labeling）是對訓練數據進行管理的過程。比如對於花卉，為了根據需要挑選出不同類別的花朵，我們要將雛菊的圖像歸入「雛菊」類，將玫瑰歸入「玫瑰」類等等。當然如果我們不給任何圖像貼上「蕨類植物」的標籤，分類器將永遠不會返回「蕨類植物」。因此這個過程需要每個類型的很多例子，故而是很重要並且耗時的一步。（我們將從已經標記的數據著手，這使我們處理數據的速度更快。）
2.訓練（Training）的過程是在我們標註的數據（圖像）的基礎上，使用某種工具隨機抓取其中的一些數據（圖像），然後輸入到模型中，再使用模型來猜測每種花的類型並且測試猜測的準確性，重複這一過程直到大部分訓練數據都被使用。最後一批未使用的圖像（測試集）用於檢驗訓練模型的準確性。
3.分類（classification）使用模型分類新圖像。例如，輸入：IMG207.JPG，輸出：雛菊。這是最快，最簡單的一步。
▌訓練和分類
在本教程中，我們將訓練一個圖像分類器來識別不同類型的花朵。 深度學習需要大量的訓練數據，所以我們需要大量的不同種類的花的圖像。值得慶幸的是，已經有人在收集和分類圖像方面做得非常出色，所以我們將使用整理好的數據集，採取一個現有的，完全訓練的圖像分類模型，並重新訓練模型的最後一層，來做我們想要的任務。 這種技術被稱為遷移學習（transfer learning）。
我們正在重新訓練的模型叫做Inception v3，這個模型在2015年12月的論文"Rethinking the Inception Architecture for Computer Vision."中首次提出。
模型訓練之前我們不知道如何從雛菊分辨出鬱金香，訓練模型大約花費了20分鐘。 這是深度學習的「學習」部分。
第一步，機器感知：在您選擇的平臺上安裝Docker。在許多TensorFlow教程中，安裝Docker都被認為是最合理的選擇。 我也喜歡這種安裝TensorFlow的方法，因為它不安裝一堆依賴項從而保持主機的清潔。
安裝Docker後，我們準備啟動一個TensorFlow容器進行訓練和分類。在您的硬碟驅動器上創建一個有2G空閒空間的工作目錄。另外再創建一個名為local的子目錄，並記下該目錄的完整路徑。
docker run -v /path/to/local:/notebooks/local --rm -it --name tensorflow
tensorflow/tensorflow:nightly /bin/bash
下面是該命令的詳細解釋。
-v / path / to / local：/ notebooks / local將剛剛創建的本地目錄裝載到容器中合適的位置。 如果使用RHEL，Fedora或其他支持SELinux的系統，請附加Z到剛才的位置從而允許容器訪問目錄。
--rm告訴Docker在完成後刪除容器。
-它附加我們的輸入和輸出，與容器交互。
--name tensorflow給我們的容器命名tensorflow，而不是sneaky_chowderhead或其他我們隨機選擇的名字。
tensorflow / tensorflow：nightly，從Docker Hub（一個公共圖像庫）運行tensorflow / tensorflow的nightly圖像，而不使用最新的圖像（默認情況下，使用最近構建的/可用的圖像）。
我們之所以使用nightly圖像而不是最近獲得的圖像，是因為最近獲得的圖像包含一個bug導致TensorBoard出問題，其中TensorBoard又是一個數據可視化工具，我們稍後會介紹。
/ bin / bash表示不要運行Bash shell這個默認命令。
在容器內，運行下面的命令下載和檢查訓練數據。
curl -O http://download.tensorflow.org/example_images/flower_photos.tgz
echo 'db6b71d5d3afff90302ee17fd1fefc11d57f243f flower_photos.tgz' | sha1sum -c
如果你沒有看到flower_photos.tgz：OK的消息，那麼你就沒有得到正確的文件。 如果上述curl或sha1sum步驟失敗，請手動下載並分解本地目錄中的訓練數據tarball(SHA-1 checksum: db6b71d5d3afff90302ee17fd1fefc11d57f243f)。
現在把訓練數據放在原處，然後下載並且檢查再訓練的腳本。
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
為了確認retrain.py的內容是否正確。你應該看到：retrain.py: OK. 當看到這個命令時，說明成功了。
最後，該進行模型學習了！ 運行再訓練腳本。
python retrain.py --image_dir flower_photos --output_graph output_graph.pb
--output_labels output_labels.txt
如果遇到下面這個錯誤，請忽略它：
TypeError: not all arguments converted during string formatting Logged from file
tf_logging.py, line 82.
隨著retrain.py的進行，訓練圖像會自動分成訓練、測試和驗證數據集。
在輸出中，我們希望高的「訓練準確性」和「驗證準確性」，以及低的「交叉熵」。 有關這些術語的詳細解釋，請參閱How to retrain Inception's final layer for new categories。在最新硬體上的訓練需要大約30分鐘。
注意你控制臺輸出的最後一行：
INFO:tensorflow:Final test accuracy = 89.1% (N=340)
這說明我們已經有了一個模型，有近九成的把握猜出給定圖像是五種花型中的哪一種。 由於訓練過程中數據輸入的隨機性，您的準確性可能會有所不同。
再加上一個腳本，我們可以將新的花朵圖像添加到模型中，並輸出它的類別。這是圖像分類過程。
將以下內容命名為classify.py並保存在主機的local目錄中：
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))
為了測試你的圖像，把圖片保存為test.jpg到你的local目錄，並運行python classify.py test.jpg。 輸出結果如下所示：
sunflowers (score = 0.78311)
daisy (score = 0.20722)
dandelion (score = 0.00605)
tulips (score = 0.00289)
roses (score = 0.00073)
模型表明有78.311％把握確定圖像中的花是向日葵。 較高的分數表示匹配正確的可能性越大。 注意，這裡只能匹配上一個標籤多標籤分類需要使用其他的方法。
更多詳細信息，請查看classify.py的更多解釋。
分類器腳本中的圖像加載代碼不能使用了，所以我用了graph_def = tf.GraphDef（）代碼來加載圖像。
我們使用少量的代碼創造了一個合適的花朵圖像分類器，在筆記本電腦上每秒處理大約五個圖像。
在下周發布的這個系列的第二部分中，我們將使用這些信息來訓練一個不同的圖像分類器，然後用TensorBoard來查看分類器內的內容。 如果你想嘗試TensorBoard，那就需要確保docker運行沒有停止。
原文連結：https://opensource.com/article/17/12/tensorflow-image-classification-part-1