0
| 本文作者： 夏睿 | 2017-02-09 17:42 |
編者按：Pete Warden是TensorFlow移動團隊的技術負責人。曾在Jetpac擔任首次技術官。Jetpac的深度學習技術經過優化，可在移動和嵌入式設備上運行。該公司已于2014年被谷歌收購。Pete還曾在蘋果公司從事GPU優化領域的圖像處理工作，并為O'Reilly撰寫多本數據處理方面的書籍。本文為Pete Warden為一般大眾撰寫的如何用TensorFlow構建圖片分類器（TensorFlow for poets，How to build your own image classifier with no coding），希望讓不太懂機器學習專業知識的人也能享受到機器學習的益處。以下為雷鋒網編譯。（此前雷鋒網報道過如何用TensorFlow搭建圖像識別系統的文章，詳情請點擊查看）
剛開始著手研究深度學習時，我發現在這個領域真是難起步。可供參考的資料沒有多少，就算有，也只有那些很懂行的學術研究員們才能看得懂。不過幸好，隨著過去這幾年指導深度學習的資料越來越多，入門已經不像過去那么高不可攀了。
我一直覺得，把EC2設計成連詩人也會用的形式，很不錯。它讓用戶一步步利用基本的計算機知識，通過在平臺上搭建一個簡單的應用，以省去那些又難懂、又沒必要的過程。不過到目前為止，我還沒看到一個同樣有大眾化用戶群體的深度學習平臺。為此，我向大家展示了如何在不會電腦編程的情況下，用TensorFlow搭建一個屬于自己圖片分類器。以下是具體步驟（相關Youtube視頻請點擊這里）：
第一步：安裝Docker
為什么需要Docker呢？
讓TensorFlow在OS X 上進行本地化運行應該是沒什么問題。但是像Python這樣的開發工具，安裝時的標準化程度就沒那么高，給出的指令不能統一適用。為了方便起見，我使用的是免費版Docker應用容器引擎，以便在 MacBook Pro.上安裝Linux虛擬機（ virtual machine）。Docker下載地址請點擊這里。
安裝完成后是這樣的：
第二步：安裝TensorFlow
安裝并運行了Docker以后，我們可以得到一個預裝TensorFlow的Linux虛擬機。然后：
1.下載能在Docker上應用的TensorFlow（下載地址：https://www.tensorflow.org/get_started/os_setup#docker-installation）
2.在終端機（treminal）上用下列指令使它能夠正常運行（此過程下載和提取內容較多，可能會比較耗時）：
3.下載完成后，你會看到一個新的終端機，也就是你已經下載好的Linux 虛擬機。點擊下述指令，確保安裝成功。
4.現在，你能看到一系列目錄，包括TensorFlow目錄，***.build文件和其他，如下圖所示：
第三步：優化Docker
Docker通常被用來測試網頁應用。在運行這個功能時，計算性能無關緊要，所以虛擬機中處理器的運行速度不算快。但是在構建圖片分類器這個案例中，計算機需要處理大量運算，因此，在這里我們必須優化一下Docker的計算速度。
Docker 內部使用VirtualBox驅動，所以，我們將用VirtualBox 的控制面板來管理設置。方法如下：
1.在你的Mac上找到VirtualBox應用并打開它，你會在面板左側看到虛擬機。現在它應該處于default（系統默認值）。
2.右鍵點擊“default”，在出現的菜單選擇Close->ACPI Shutdown
3.關閉完成后，“default”下方會出現“Powered off”，再次點擊右鍵，在出現的菜單中選擇“Settings”。
4. 點擊“System”圖標，然后選擇“Motherboard”選項卡。
5. 拖動“Base Memory”滑塊到綠色部分。一般讓它占筆記本電腦總內存的75％左右。我把它設置為12GB，我的電腦是16GB的。
6.點擊“Processor”，把處理器數量設置為大于1。通常，在MacBook Pro上設置4比較好，不過用滑塊下的綠色條作為參考也可以。
7.點擊設置對話框上的“OK”，右鍵點擊 “default”，選擇“Start->Headless Start”。
8.再次運行下列指令：
完成這一系列的操作后，虛擬機就可以借助計算機的計算能力，加快運轉速度啦！
第四步：下載圖片
下面的步驟則基于TensorFlow的圖形再訓練案例（詳情請點擊這里）。
它展示了如何把你的圖片分到不同目錄的文件夾下，并再用它快速訓練起始圖片識別神經網絡的頂層，以識別這些目錄。
1.接下來，你需要得到一些案例照片。進入終端機中，如果你仍看到“root@…”提示，那么這說明你仍處在Linux虛擬機環境下。那么，你需要點擊“exit”，退出虛擬機。
2.運行以下命令，在Downloads 目錄中創建一個新文件夾以保存訓練圖像，并下載、提取花朵照片：
3.完成之后，你會看到一個新的窗口，如下所示：
這表明你已經成功下載花朵的案例圖片。另外，你還可以在文件里換上其他種類的花或照片，然后把文件名改成對應名稱。
第五步:在虛擬機上運行文件夾
1.有了可供訓練的照片之后，你就可以在Linux上使用文件夾里使用它們了，以便把照片放到TensorFlow上：
2.出現一個Linux提示。為確保文件夾正常在虛擬機上共享，嘗試下列指令：
3.生成花朵文件夾列表，如下：
第六步：更新代碼
本案例需要使用到最新的代碼，并且以下會涉及到源代碼控制程序git。
1.抽取代碼需要一個默認郵箱地址：
2.抽取最新資源：
3.現在，你應該已經處在vim窗口下。點擊“quit”離開。完成之后你就做的了最新的版本的代碼。接下來，將它同步到一個可運行的版本中，運行下列命令：
第七步：編制代碼
這一步的任務是編制代碼。在指令中，你會發現有一些優化標記，它可以用AVX加快處理器的運行：
編制代碼可能會持續5-10分鐘，此過程可能會彈出很多警告。不過不要擔心，這是正常現象。
第八步：運行代碼
運行以下命令可運行重訓練程序：
接下來會出現下載初始模型的信息，然后是一長串創造瓶頸（ bottlenecks）的信息。如果你想知道后臺具體是怎么運行的，可以點擊這里。
我已經把default /tmp 目標改成了輸出圖像和shared /tf_files 中的已緩存瓶頸，這樣從OS X中也可以獲得最后結果，并保存在不同的虛擬機中。
瓶頸緩存完成后，就進入到照片訓練過程。這可能要花費5min左右的時間。最后的輸出線路精確值應該在90%左右，也就是說，如果有10張照片的話，你的圖片分類器能把其中9張正確分類到其對應的文件夾中。
第九步：使用圖片分類器
經過分類的圖片被放在/tmp/output_graph.pb中。將它進行一下測試，那么你可以得到另外一份樣本代碼。label_image示例是一個小C ++程序，它可以加載圖形并將其應用于用戶提供的圖像中。可以試試下面步驟：
你會看到它已經能分辨出一張雛菊的照片了。因為訓練過程是隨機進行的，所以你的模型可能有時會出錯，你可以再嘗試一些其他圖片，看看它的成績如何。
大功告成
是不是已經迫不及待想讓它在你的應用里運行了呢？很簡單，只需在 Downloads/tf_images 目錄下創建一個新的文件夾，把你想訓練的圖片放在子文件夾里，然后重新運行分類器。
現在，在應用里運行它吧！把label_image示例作為模板，可以很清楚的看到是否可以將C ++集成到你的產品中，它甚至可以再移動設備上運行。想在智能手機上運行，請查看Android示例代碼。
最后我希望本教程能夠激發你的靈感，讓你能夠多思考怎樣利用深度學習幫助用戶獲得更好的體驗。感謝觀看~
via：oreilly
更多類似教程，請在雷鋒網站內搜索關鍵詞“機器學習教程”、“TensorFlow”等~
【兼職召集令！】
如果你對未來充滿憧憬，喜歡探索改變世界的科技進展，look no further！
我們需要這樣的你：
精通英語，對技術與產品感興趣，關注人工智能學術動態的蘿莉&萌妹子&技術宅；
文字不求妙筆生花，但希望通俗易懂；
在這里，你會收獲：
一群來自天南地北、志同道合的小伙伴；
前沿學術科技動態，每天為自己充充電；
更高的生活品質，翻翻文章就能掙到零花錢；
有意向的小伙伴們把個人介紹/簡歷發至 guoyixin@leiphone.com，如有作品，歡迎一并附上。
