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。
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
-O
http://download.tensorflow.org/example_images/flower_photos.tgz
echo 'db6b71d5d3afff90302ee17fd1fefc11d57f243f
flower_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。
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
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 file
tf_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:Final test accuracy = 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：
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))
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。
更多详细信息，请点击此处查阅classify.py 的详细解释 。
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本博客的系列博文 。
以上为译文。
本文由北邮@爱可可-爱生活 老师推荐，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。
文章为简译，更为详细的内容，请查看原文
