日志样式

机器学习的零基手把手教你用张力流构建图像分类器

     编者按:Pete Warden是TensorFlow移动团队的技术总监。他是Jetpac的第一位技术官员。Jetpac的深入学习技术被优化为在移动和嵌入式设备上运行。该公司于2014年被Google收购。Pete还从事图像处理方面的工作。g在苹果公司的GPU优化中,并且已经为OReilly写了几本关于数据处理的书。这篇文章是关于如何使用由Pete Warden为大众编写的诗人TensorFlow来构建没有编码的你自己的图像分类器。我希望不了解机器学习的人也能享受到机器学习的好处。com,请点击详细信息)
    
     当我开始深入学习时,我发现在这个领域开始学习真的很难。参考的信息不多,即使有,也只有那些很了解的学者才能理解。幸运的是,过去有了越来越多的材料来指导深入学习。几年来,介绍并不像过去那么高。
    
     I always think it's good to design EC2 as a form that even poets can use.It allows users to take advantage of basic computer knowledge step by step, by building a simple application on the platform, to eliminate those difficult and unnecessary processes.But so far, I haven't seen an in-depth learning platform with the same popular user groups.To this end, I show you how to use TensorFlow to build your own image classifier without computer programming.Following are the specific steps (click on YouTube videos): uuuuuuuuuuu
    
     它不应该tensorflow运行在OS X的不过是一个问题,开发工具如Python不规范安装时,并不能说明统一适用。为了方便,我使用泊坞窗应用容器引擎免费版安装林在MacBook Pro上的UX虚拟机。请点击DOCKER下载地址。
    
     1。下载TensorFlow(下载地址:https:/www..orflow.orgget_startos_setup#docker-.)
    
     2。在终端上使用以下指令使其正常工作(下载和提取更多内容的过程可能很耗时):
    
    
    
     三。下载完成后,你会看到一个新的终端,你下载的Linux虚拟机。点击下面的指令确保安装成功。
    
     4。现在您可以看到一系列目录,包括TysFooSoad目录,***。构建文件和其他文件,如下图所示:
    
     Docker经常用于测试Web应用程序。在运行这个函数时,计算性能并不重要,因此虚拟机中的处理器运行得不是很快。但是在构建图像分类器的情况下,计算机需要处理大量的计算,因此这里我们必须选择计算码头工人的计算速度。
    
     Docker在内部使用VirtualBox驱动程序,所以我们将使用VirtualBox控制面板来管理设置。
    
     1。在Mac上找到ValualBox应用程序并打开它。您将在面板的左侧看到虚拟机。现在它应该是默认的(系统默认)。
    
     三。关闭之后,Pow.off将出现在默认值之下,再次右击,并从出现的菜单中选择Settings。
    
     5。将基本内存滑块拖到绿色部分。一般来说,它占笔记本电脑总内存的75%。我把它设置为12GB,我的计算机是16GB。
    
     6。单击Processor将处理器数量设置为1。通常,在MacBook Pro上设置4更好,但是您可以使用滑块下面的绿色条作为参考。
    
     7。单击设置对话框上的确定,右键单击默认,然后选择开始无头启动。
    
     它展示了如何将图片分成不同目录下的文件夹,然后用它来快速训练初始图像识别神经网络的顶层来识别这些目录。
    
     接下来,你需要得到一些照片。如果你仍然看到根@提示,进入终端,这意味着你仍然在Linux虚拟机环境中。然后你需要点击退出退出虚拟机。
    
     2。运行以下命令在下载目录中创建一个新文件夹来保存训练图像,并下载和提取花卉照片:
    
     这表明您已经成功下载了花卉的案例图片。此外,您可以在文件中放置其他种类的花卉或照片,然后将文件名更改为对应的名称。
    
     1。有了可训练的照片,你可以在Linux文件夹中使用它们,把它们放在TensorFlow上:
    
     三。现在,您应该在VIM窗口下面。单击quit离开。完成后,您已经完成了代码的最新版本。接下来,将其同步到可运行版本,并运行以下命令:
    
     这个步骤的任务是编码。在指令中,您将发现一些优化标签,可以使用AVX来加速处理器的操作:
    
     编码可以持续5到10分钟,在这个过程中可能会出现很多警告,但是不要担心。这是正常的。
    
     下一步是下载关于初始模型的信息,接下来是一长串的瓶颈。如果你想知道背景是如何工作的,你可以点击它。
    
     我已经将默认的tmp目标更改为输出映像和共享tf_文件中的缓存瓶颈,因此最终结果也可以从OS X获得并保存在不同的虚拟机中。
    
     在瓶颈缓存完成后,它进入照片训练过程,可能需要5分钟。最终的输出行应该大约90%准确,也就是说,如果有10张照片,您的图像分类器可以正确地将9张照片分类到相应的文件夹中。
    
     分类图像放置在/TMP/OutPuttoScript中。如果你测试它,你可以得到另一个样例代码。LabelySimulink示例是一个小型的C++程序,它加载图形并将其应用到用户提供的图像。
    
     你会发现它已经能够分辨雏菊的照片。因为训练过程是随机的,所以你的模型有时会出错,你可以试试其他的图片看看它是如何做到的。
    
     不能等待它在你的应用程序中运行吗只需在下载/tfyMasic目录中创建一个新文件夹,将要在子文件夹中训练的图片放入,然后再次运行分类器。
    
     现在,在应用程序中运行它!使用LabelSimeI图示例作为模板,您可以清楚地看到C++是否可以集成到您的产品中,甚至可以在移动设备上运行。如果您想在智能手机上运行,请检查它。
    
     最后,我希望本教程能启发您更多地思考如何使用深入学习来帮助用户获得更好的体验。谢谢收看。
    
     感兴趣的合作伙伴将他们的个人介绍/简历发送到国益信@ LePo.com。如果您有任何作品,请附上。