Tensorflow最简单的图像搭建识别系统
从我们见到的各种图像识别软件来看，机器似乎能认出人脸、猫、狗、花草、各种汽车等等日常生活中出现的物体，但实际上，这有一个前提：你要用这些类别的图像，对它进行过训练。
确切地说，该叫它“图像分类”。
建立一个图像分类器并不复杂，技术博客Source Dexter上最近发表的一篇文章，介绍了该如何快速用TensorFlow实现图像分类。
以下是量子位节选自这篇文章的内容：
在进入正题之前，我们先讲一些基本概念。
图像分类是怎样实现的？
向一个训练过的系统输入图像，我们会得到一组概率值：每个训练过的类别都有一个，然后，系统会将图像归到概率最高的类。
比如说你训练了一个系统，来识别猫和狗。当你输入一张图像时，系统会输出这张图像属于猫的概率和属于狗的概率。
不过，这种分类器也有一个缺陷：如果你输入一张蛇的图片，它也只能判断这张图片包含猫的概率高，还是包含狗的概率高一点。
神经网络和深度神经网络
概括地说，神经网络是计算单元的连接，能够从提供给它的一组数据中进行学习。
把多层神经网络堆叠在一起，我们就得到了深度神经网络。建立、训练和运行深度神经网络的过程，称为深度学习。
量子位之前发布的文章详细介绍了包括神经网络在内的《25个深度学习基础概念》，可以点击查看。
TensorFlow
TensorFlow是一个数学库，也是深度学习领域使用最广的开源框架，由Google开发。
在这篇文章中，我们将用TensorFlow预训练模型来设置我们的分类器。
想要设置这个分类器，还有几个先决条件：
你的机器上安装并设置好了TensorFlow；你会用Python。
从零开始训练一个深度学习的分类器需要几周、甚至几个月的时间，这取决于你用什么硬件。为了避免这种麻烦，我们将使用预先训练的模型。 Tensorflow预训练的模型通常能够识别大约1000类不同的物体。
接下来，我们开始设置自己的图像分类器：
第1步：下载预训练模型、计算图和脚本
clone这个存储区，并用以下命令进入：git clone https://github.com/akshaypai/tfClassifier
第2步：运行脚本找到最佳预测
你可以提供要分类的图像，来运行这个脚本。默认情况下，将显示概率最高的结果。Python classifier.py --image_file file_path_to_image
如果想获得前几个分类结果，可以使用以下参数。Python classifier.py --image_file file_path_to_image --num_top_predictions number_of_top_results
示例：以下是我们输入玫瑰花图像，获得的结果。
python classifier.py --image_file ~/Pictures/rose.jpg
分类器说，这个图像是朝鲜蓟，可能性是24%。
第3步：运行脚本来获取前n个识别出的类
现在让我们尝试给出一个具有更多属性的图像，如下面的房子的形象：
python classifier.py --image_file ~/Pictures/house.jpg picket fence, paling (score = 0.86108)
从上面的结果可以看出，分类器认为这张图片中包含栅栏的可能性是86%，还有可能包含另一个栅栏、庭院/露台等。
用TensorFlow预训练的模型对图像进行分类，就是这么简单。不过，预训练模型能识别的类是有限的，如果你希望分类器来区分你需要的类别，需要重新训练这个模型。
下面，我们再介绍一下如何对模型进行重新训练。
第1步：设置图像文件夹
这一步涉及设置文件夹结构，好让TensorFlow能轻松获取这些类别。比如说你想训练神经网络，识别5种花：玫瑰、郁金香、蒲公英、可可花、万寿菊。
创建文件夹结构时：
为每种花创建一个文件夹，该文件夹的名称是类别的名称（在我们举的例子中，是这种花的名称）；
将花的图像添加到其各自的文件夹中。例如把玫瑰的所有图像放进“玫瑰”文件夹。
将所有文件夹添加到另一个父文件夹中，比如说“花”。
添加完之后，你将看到这样的文件夹结构：~/flowers
所有文件夹都这样设置，文件夹结构就准备好了。
第2步：运行重新训练脚本
用下面的命令来运行脚本：python retrain.py --model_dir ./inception --image_dir ~/flowers --output_graph ./output --how_many_training_steps 1000
命令行参数：
-model_dir：该参数给出了预训练模型的位置。预先训练的模型存储在git存储库的inception文件夹下。
-image_dir：在上一步中创建的图像文件夹的路径。
-output_graph：存储新训练图的位置。
-how_many_training_steps：training steps表示要执行的迭代次数，默认是4000。找到正确的次数需要经过不断试错，一旦找到最好设置，就可以开始用了。
下列参数可以用来提高模型的准确度：
random_crop：随机裁剪能够让你专注于图像的主要部分。
Random_scale：和裁剪类似，但可以随机扩展图像大小。
flip_left_right：翻转。
以上，就是重新训练深度学习模型所需的步骤，这样就可以识别自定义的物体了。
想学习更多可以访问：http://www.tensorfly.cn/tfdoc/get_started/introduction.html
