做网站赚钱的时代过去了吗,wordpress怎么建立空白文档,成都做微信小程序的公司,wordpress分销模板编者按#xff1a;Pete Warden是TensorFlow移动团队的技术负责人。曾在Jetpac担任首次技术官。Jetpac的深度学习技术经过优化#xff0c;可在移动和嵌入式设备上运行。该公司已于2014年被谷歌收购。Pete还曾在苹果公司从事GPU优化领域的图像处理工作#xff0c;并为OReilly撰…编者按Pete Warden是TensorFlow移动团队的技术负责人。曾在Jetpac担任首次技术官。Jetpac的深度学习技术经过优化可在移动和嵌入式设备上运行。该公司已于2014年被谷歌收购。Pete还曾在苹果公司从事GPU优化领域的图像处理工作并为OReilly撰写多本数据处理方面的书籍。本文为Pete Warden为一般大众撰写的如何用TensorFlow构建图片分类器(TensorFlow for poetsHow to build your own image classifier with no coding)希望让不太懂机器学习专业知识的人也能享受到机器学习的益处。以下为雷锋网编译。(此前雷锋网报道过的文章详情请点击查看)如何用TensorFlow搭建图像识别系统刚开始着手研究深度学习时我发现在这个领域真是难起步。可供参考的资料没有多少就算有也只有那些很懂行的学术研究员们才能看得懂。不过幸好随着过去这几年指导深度学习的资料越来越多入门已经不像过去那么高不可攀了。我一直觉得把EC2设计成连诗人也会用的形式很不错。它让用户一步步利用基本的计算机知识通过在平台上搭建一个简单的应用以省去那些又难懂、又没必要的过程。不过到目前为止我还没看到一个同样有大众化用户群体的深度学习平台。为此我向大家展示了如何在不会电脑编程的情况下用TensorFlow搭建一个属于自己图片分类器。以下是具体步骤(相关Youtube视频请点击)这里第一步安装Docker为什么需要Docker呢让TensorFlow在OS X 上进行本地化运行应该是没什么问题。但是像Python这样的开发工具安装时的标准化程度就没那么高给出的指令不能统一适用。为了方便起见我使用的是免费版Docker应用容器引擎以便在 MacBook Pro.上安装Linux虚拟机( virtual machine)。Docker下载地址请点击。这里安装完成后是这样的第二步安装TensorFlow安装并运行了Docker以后我们可以得到一个预装TensorFlow的Linux虚拟机。然后1.下载能在Docker上应用的TensorFlow(下载地址https://www.tensorflow.org/get_started/os_setup#docker-installation)2.在终端机(treminal)上用下列指令使它能够正常运行(此过程下载和提取内容较多可能会比较耗时)3.下载完成后你会看到一个新的终端机也就是你已经下载好的Linux 虚拟机。点击下述指令确保安装成功。4.现在你能看到一系列目录包括TensorFlow目录***.build文件和其他如下图所示第三步优化DockerDocker通常被用来测试网页应用。在运行这个功能时计算性能无关紧要所以虚拟机中处理器的运行速度不算快。但是在构建图片分类器这个案例中计算机需要处理大量运算因此在这里我们必须优化一下Docker的计算速度。Docker 内部使用VirtualBox驱动所以我们将用VirtualBox 的控制面板来管理设置。方法如下1.在你的Mac上找到VirtualBox应用并打开它你会在面板左侧看到虚拟机。现在它应该处于default(系统默认值)。2.右键点击“default”在出现的菜单选择Close-ACPI Shutdown3.关闭完成后“default”下方会出现“Powered off”再次点击右键在出现的菜单中选择“Settings”。4. 点击“System”图标然后选择“Motherboard”选项卡。5. 拖动“Base Memory”滑块到绿色部分。一般让它占笔记本电脑总内存的75左右。我把它设置为12GB我的电脑是16GB的。6.点击“Processor”把处理器数量设置为大于1。通常在MacBook Pro上设置4比较好不过用滑块下的绿色条作为参考也可以。7.点击设置对话框上的“OK”右键点击 “default”选择“Start-Headless Start”。8.再次运行下列指令完成这一系列的操作后虚拟机就可以借助计算机的计算能力加快运转速度啦第四步下载图片下面的步骤则基于TensorFlow的图形再训练案例()。详情请点击这里它展示了如何把你的图片分到不同目录的文件夹下并再用它快速训练起始图片识别神经网络的顶层以识别这些目录。1.接下来你需要得到一些案例照片。进入终端机中如果你仍看到“root…”提示那么这说明你仍处在Linux虚拟机环境下。那么你需要点击“exit”退出虚拟机。2.运行以下命令在Downloads 目录中创建一个新文件夹以保存训练图像并下载、提取花朵照片3.完成之后你会看到一个新的窗口如下所示这表明你已经成功下载花朵的案例图片。另外你还可以在文件里换上其他种类的花或照片然后把文件名改成对应名称。第五步:在虚拟机上运行文件夹1.有了可供训练的照片之后你就可以在Linux上使用文件夹里使用它们了以便把照片放到TensorFlow上2.出现一个Linux提示。为确保文件夹正常在虚拟机上共享尝试下列指令3.生成花朵文件夹列表如下第六步更新代码本案例需要使用到最新的代码并且以下会涉及到源代码控制程序git。1.抽取代码需要一个默认邮箱地址2.抽取最新资源3.现在你应该已经处在vim窗口下。点击“quit”离开。完成之后你就做的了最新的版本的代码。接下来将它同步到一个可运行的版本中运行下列命令第七步编制代码这一步的任务是编制代码。在指令中你会发现有一些优化标记它可以用AVX加快处理器的运行编制代码可能会持续5-10分钟此过程可能会弹出很多警告。不过不要担心这是正常现象。第八步运行代码运行以下命令可运行重训练程序接下来会出现下载初始模型的信息然后是一长串创造瓶颈( bottlenecks)的信息。如果你想知道后台具体是怎么运行的可以点击。这里我已经把default /tmp 目标改成了输出图像和shared /tf_files 中的已缓存瓶颈这样从OS X中也可以获得最后结果并保存在不同的虚拟机中。瓶颈缓存完成后就进入到照片训练过程。这可能要花费5min左右的时间。最后的输出线路精确值应该在90%左右也就是说如果有10张照片的话你的图片分类器能把其中9张正确分类到其对应的文件夹中。第九步使用图片分类器经过分类的图片被放在/tmp/output_graph.pb中。将它进行一下测试那么你可以得到另外一份样本代码。label_image示例是一个小C 程序它可以加载图形并将其应用于用户提供的图像中。可以试试下面步骤你会看到它已经能分辨出一张雏菊的照片了。因为训练过程是随机进行的所以你的模型可能有时会出错你可以再尝试一些其他图片看看它的成绩如何。大功告成是不是已经迫不及待想让它在你的应用里运行了呢很简单只需在 Downloads/tf_images 目录下创建一个新的文件夹把你想训练的图片放在子文件夹里然后重新运行分类器。现在在应用里运行它吧把label_image示例作为模板可以很清楚的看到是否可以将C 集成到你的产品中它甚至可以再移动设备上运行。想在智能手机上运行请查看。Android示例代码最后我希望本教程能够激发你的灵感让你能够多思考怎样利用深度学习帮助用户获得更好的体验。感谢观看~viaoreilly更多类似教程请在雷锋网站内搜索关键词“机器学习教程”、“TensorFlow”等~