http://www.voidcn.com/article/p-wyaahqji-dr.html

從我們見到的各種影象識別軟體來看，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：你要用這些類別的影象，對它進行過訓練。

確切地說，該叫它“影象分類”。

建立一個影象分類器並不複雜，技術部落格Source Dexter上最近發表的一篇文章，介紹了該如何快速用TensorFlow實現影象分類。

以下是小編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。

影象分類是怎樣實現的？

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

比如說你訓練了一個系統，來識別貓和狗。當你輸入一張影象時，系統會輸出這張影象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。

神經網路和深度神經網路

概括地說，神經網路是計算單元的連線，能夠從提供給它的一組資料中進行學習。

把多層神經網路堆疊在一起，我們就得到了深度神經網路。建立、訓練和執行深度神經網路的過程，稱為深度學習。

關於深度學習，之前網上釋出很火的文章詳細介紹了包括神經網路在內的《25個深度學習基礎概念》，

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預訓練模型來設定我們的分類器。

想要設定這個分類器，還有幾個先決條件：

• 你的機器上安裝並設定好了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，這取決於你用什麼硬體。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，我們開始設定自己的影象分類器：

第1步：下載預訓練模型、計算圖和指令碼

clone這個儲存區，並用以下命令進入：

git clone https://github.com/akshaypai/tfClassifier

cd tfClassifier

第2步：執行指令碼找到最佳預測

你可以提供要分類的影象，來執行這個指令碼。預設情況下，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，可以使用以下引數。

Python classifier.py --image_file file_path_to_image --num_top_predictions number_of_top_results

示例：以下是我們輸入石榴影象，獲得的結果。

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

pomegranate (score = 0.98216)

分類器說，這個影象是石榴，可能性是98%。

第3步：執行指令碼來獲取前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影象，如下面的房子的形象：

python classifier.py --image_file ~/Pictures/house.jpg --num_top_predictions 5picket fence, paling (score = 0.95750)


worm fence, snake fence, snake-rail fence, Virginia fence (score = 0.03615)

beacon, lighthouse, beacon light, pharos (score = 0.00018)

boathouse (score = 0.00013)

patio, terrace (score = 0.00007)

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95%，還有可能包含另一個柵欄、庭院/露臺等。

用TensorFlow預訓練的模型對影象進行分類，就是這麼簡單。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：設定影象資料夾

這一步涉及設定資料夾結構，好讓TensorFlow能輕鬆獲取這些類別。比如說你想訓練神經網路，識別5種花：玫瑰、鬱金香、蒲公英、可可花、萬壽菊。

建立資料夾結構時：

為每種花建立一個資料夾，該資料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）；

將花的影象新增到其各自的資料夾中。例如把玫瑰的所有影象放進“玫瑰”資料夾。

將所有資料夾新增到另一個父資料夾中，比如說“花”。

新增完之後，你將看到這樣的資料夾結構：

~/flowers

~/flowers/roses/img1.jpg

~/flowers/roses/img2.jpg

...

~/flowers/tulips/tulips_img1.jpg

~/flowers/tulips/tulips_img2.jpg

~/flowers/tulips/tulips_img3.jpg

...

所有資料夾都這樣設定，資料夾結構就準備好了。

第2步：執行重新訓練指令碼

用下面的命令來執行指令碼：

python retrain.py --model_dir ./inception --image_dir ~/flowers --output_graph ./output --how_many_training_steps 500

命令列引數：

-model_dir：該引數給出了預訓練模型的位置。預先訓練的模型儲存在git儲存庫的inception資料夾下。

-image_dir：在上一步中建立的影象資料夾的路徑。

-output_graph：儲存新訓練圖的位置。

-how_many_training_steps：training steps表示要執行的迭代次數，預設是4000。找到正確的次數需要經過不斷試錯，一旦找到最好設定，就可以開始用了。

下列引數可以用來提高模型的準確度：

random_crop：隨機裁剪能夠讓你專注於影象的主要部分。

Random_scale：和裁剪類似，但可以隨機擴充套件影象大小。

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。