TensorFlow入门，零基础到精通只需3分钟！

TensorFlow是Google的开源深度学习库，你可以使用这个框架以及Python编程语言，构建大量基于机器学习的应用程序。而且还有很多人把TensorFlow构建的应用程序或者其他框架，开源发布到GitHub上。2015年11月9日，Google正式发布并开源TensorFlow，目前官方正式版本为TensorFlow 1.2。下面这段视频，是当年TensorFlow刚发布时，Google发布的一个官方介绍短片，Jeff Dean等出镜讲述。

入门项目：图像分类/物体识别

图像分类，也就是训练系统识别猫猫狗狗，或者车道、海滩、天际线等场景。计算机视觉是一个范围巨大的领域，从面部识别到情感识别，甚至可以进行视觉气体泄漏检测。虽然实现流程各异，但底层系统是相通的。

有作者创建了一个TensorFlow GitHub库，其中包括两个相互关联的部分。第一部分：能够识别1000个对象的TensorFlow图像分类器。第二部分：创建并训练一个全新的图像分类器。

Google的TensorFlow图像识别系统是目前最准确的图像分类软件。所谓图像识别，就是对图片中的内容进行识别，然而这并非对任意图片都能识别。

只有被训练过的对象，系统才能识别。例如，我们用三个类型训练分类器：猫、狗和牛。三个分类器只能识别相应类别中的一个。如果给出一张骆驼的图片会怎样？图片仍会通过一个分类器，但是置信率会非常的低。

如何快速创建一个TensorFlow图像分类器？只需要简单的三步。当然前提是你已经装好了TensorFlow，而且懂编程、会用Python。

第一步：下载

下载预训练的模型、图片和脚本。使用如下命令即可。

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

第二步：运行脚本找到最佳预测

给定一个图片，运行脚本来进行分类。默认情况下，会显示最佳预测。

Python classifier.py --image_file file_path_to_image

为了获得top n分类，可以使用如下参数。

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

示例：比方我们给出这样一张图片。

python classifier.py --image_file ~/Pictures/fruit.jpgpomegranate (score = 0.98216)

分类器表示：这是石榴，准确率98%。

第三步：运行脚本获得top n识别分类

现在我们尝试给出一个具有更多属性的图像，如下图的房子。

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)

从上面的结果可以看出，分类器以95%的可能性预测图片中有一个栅栏，另外分类器还发现了其他围栏、庭院、露台等。

到此为止，你已经学到如何设置TensorFlow图像识别系统。虽然，这个系统被限制在预训练模型的几个分类器之间。

那么我们接下来看看第二部分，如何增加一些新的分类器。

也是三个步骤。

第一步：下载预训练模型以及所需脚本

我已经把全部所需的文件整合进一个git仓库里。使用下面的命令可以下载。

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

第二步：设置图像文件夹

这个步骤用于设置文件夹结构，以便数据流图可以简单地拾取分类。假设，你想重新训练五种新的花朵分类器：玫瑰、郁金香、蒲公英、五月花和万寿菊，那么需要如下的三个步骤来创建相应的文件夹结构：

1、为每种花型创建一个文件夹，文件夹的名称就是类型的名称

2、将花的所有图像添加到各自的文件夹中，所有的玫瑰放入玫瑰花文件夹

3、将所有的文件夹，添加到一个父文件夹中，可以命名为：花

然后我们就得到如下的结构：

~/flowers~/flowers/roses/img1.jpg~/flowers/roses/img2.jpg...~/flowers/tulips/tulips_img1.jpg~/flowers/tulips/tulips_img2.jpg~/flowers/tulips/tulips_img3.jpg...

这样，文件夹结构已经OK了。

第三步：运行预训练脚本

使用如下命令运行脚本。

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

部分命令行参数：

-model_dir这个参数给出了预训练模型的位置。

-image_dir在步骤二中创建的文件夹路径

-output_graph存储新训练图的位置

-how_many_training_steps这代表要执行的迭代次数，默认为4000

以上就是如何重新训练一个TensorFlow Inception模型。一旦你有了模型，就能开始用来进行分类处理。那么如何来动手实践一下自己的掌握程度呢？可以试试谷歌的AIY视觉套件——AIY Vision Kit。

AIY Vision Kit 是AIY Projects的第二个产品。谷歌AIY Vision Kit（视觉套件）可以处理图像识别和计算机视觉, 支持离线识别上千种常见物体（动物、植物）以及人脸、面部表情等。AIY Vision Kit包括纸板外壳、按钮、扬声器、以及Raspberry Pi Zero WH，Raspberry Pi 相机，SD卡等等。这款酷炫的盒子套件的计算机视觉功能均由附带的Vision Bonnet板控制。

VisionBonnet板是该项目的核心，采用Intel Movidius MA2450芯片。 这种低功率视觉处理单元能够运行神经网络模型来识别物体。

附带的软件运行三个基于TensorFlow的神经网络。 其中一个基于谷歌的MobileNets平台，能够识别超过1,000个日常物品。 第二个可以在图像中发现面部和表情。 最后一个是专门用于识别猫，狗和人的神经网络。 Google还为AIY Vision创建了一个工具，允许您使用TensorFlow训练新模型。 该套件支持Python API以进行基本更改，例如更改按钮LED的颜色，调整扬声器音量等。