深度学习动手入门：GitHub上四个超棒的TensorFlow开源项目_deepspeech 与 tenseflow的关系

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。

这次跟大家分享一些GitHub上令人惊奇的TensorFlow项目，你可以直接在你的应用中使用，或者根据自身所需进一步予以改进。

TensorFlow简介

如果你已经知道TensorFlow是什么，以及它是如何工作的，建议直接跳到下一节。如果你对使用Python学习TensorFlow感兴趣，网上也有相关的教程可以参考。

这一节内容比较傲适合初学者。如前所述，TensorFlow是一个深度学习库，使用这一框架，可以用来构建和测试深度神经网络。

深度学习让我们能够以极高的准确性构建复杂的应用程序。图像、视频、文本、音频等领域的问题，都可以通过深度学习解决。TensorFlow可以用于实现前述所有应用。

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。

TensorFlow很快成为GitHub上用户最多的深度学习框架。这个库之所以如此流行，是因为开发人员可以轻松的用其来搭建、测试和部署机器学习应用。

TensorFlow使用数据流图，上面是一个TensorFlow的示意图。我们不用关心这张图具体代表什么，但你需要知道，其中的椭圆和正方形代表节点，节点就是一些数学函数，你可以将节点分组形成各种数学计算，并得到输出。

箭头代表流动到各个节点的数据。所以TensorFlow也被成为数据流库。

OK，简介到此，下面分享四个我非常喜欢的TensorFlow GitHub项目。

项目一：Neural Style

这是最酷的TensorFlow GitHub项目之一。神经风格是将一张照片的风格迁移到另一张照片上的过程，同时保留相关的特张。简单的来说，通过这个项目，你可以使用TensorFlow创建自己的Prisma应用程序。

如上图所示，把梵高画作的风格，迁移到一张狮子的照片上，就得到一个星空风格的狮子照片，这就是所谓的风格迁移。下面再展示一组这个项目的风格迁移，能把这张狮子的照片，变成哪些非常有趣的效果。

这个项目在风格迁移的同时，还能对图像进行语义分割。进而实现对内容的前景、背景进行不同的风格迁移处理。这个过程如下图所示：

另外这个算法还能适用于视频处理。

上述图片处理使用的软硬件如下：

• CPU: Intel Core i7-6800K@3.4GHz×12

• GPU: NVIDIA GeForce GTX 1080/PCIe/SSE2

• OS: Linux Ubuntu 16.04.1 LTS 64-bit

• CUDA: 8.0

• python: 2.7.12

• tensorflow: 0.10.0rc

• opencv: 2.4.9.1

GitHub地址如下：

https://github.com/cysmith/neural-style-tf

项目二：Mozilla Deep Speech

这个GitHub项目使用TensorFlow将语音转换为文本。语音转文本是一个热门的机器学习领域，然而各地的人们有着不同的口音，这也是一个难以解决的问题。不过仍然可以通过深度学习实现非常不错的准确性。

其实这个项目，是一个基于百度DeepSpeech架构的TensorFlow实现。换句话说，这个项目是百度的内核，Google的外貌。

百度的相关论文地址在此：

https://arxiv.org/abs/1412.5567

DeepSpeech是吴恩达带领百度团队研发出的成果，最早发布于2014年底。今年初，百度基于DeepSpeech2，开发出一款名为SwiftScribe的应用（swiftscribe.ai），可以把语音文件更为快速、便捷的转换为文字。目前只限于英文。

回到这个项目。

所需软件环境如下：

• Git Large File Storage

• TensorFlow 1.0 or 1.1

• SciPy

• PyXDG

• python_speech_features (nb: deprecated)

• python sox

• pandas

• DeepSpeech native client libraries

如果你有至少8GB显存的英伟达GPU，强烈建议安装支持GPU的TensorFlow，因为使用GPU的训练比CPU快得多。

GitHub地址如下：

https://github.com/mozilla/DeepSpeech

项目三：句子分类

句子分类就是识别句子类型的过程。例如，对于“食物非常糟糕”这个句子，你可能希望将其分类为正面句子或负面句子，这也被称为情绪分析。这个问题的难点在于：句子结构带来的复杂性。

利用卷积神经网络，我们可以尝试构建一个强大的文本分类器。

这里介绍的项目，是Yoon Kim论文《Convolutional Neural Networks for Sentence Classification（使用卷积神经网络进行句子分类）》的简单实现。这个论文的地址如下：

https://arxiv.org/abs/1408.5882

通过一个简单的CNN卷积神经网络，只进行很少的超参数调整和静态矢量，就可以得到出色的句子分类结果。

所需软件环境如下：

• Python 3

• Tensorflow > 0.12

• Numpy

GitHub地址如下：

https://github.com/dennybritz/cnn-text-classification-tf

项目四：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。

所以作者创建了一个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。

我们先来看看第一部分。

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/tfClassifier
 
cd 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.jpg
pomegranate (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 5
 
picket 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/tfClassifier
cd 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

好了，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。

摘自：微信公众号：量子位(QbitAI)

原文链接：https://mp.weixin.qq.com/s?__biz=MzIzNjc1NzUzMw==&mid=2247487523&idx=1&sn=2ae9114517fa20611d08b5d18e56ecbe&chksm=e8d3a751dfa42e47299c87538c2abe14f1dacefa47abb09e5222bbb45aab684c7797e591925d&mpshare=1&scene=23&srcid=0731GxPLEU1LCNFDahMTeQm8#rd