Machine Learning（一）：基於 TensorFlow 實現寵物血統智能識別

人類喜歡將所有事物都納入鄙視鏈的範疇，寵物當然也不例外。一般來說，擁有一隻純種寵物可以讓主人佔據鄙視鏈的雲端，進而鄙視那些混血或者流浪寵物。甚至還發展出了專業的鑒定機構，可以頒發《血統證明書》。但是考究各類純種鑒定的常規方法：例如眼睛的大小、顏色、鼻子的特點、身軀長度、尾巴特徵、毛髮等，當然也包括一些比較玄幻的特徵：寵物家族的個性、氣質等等。拋開「黑魔法」不在此討論之外，既然是基於生物外形特徵鑒定，判斷是否純種的需求本質上就是一個圖像識別服務。

Hello TensorFlow

Tensorflow is not a Machine Learning specific library, instead, is a general purpose computation library that represents computations with graphs.

TensorFlow 開源軟體庫（Apache 2.0 許可證），最初由 Google Brain 團隊開發。TensorFlow 提供了一系列演算法模型和編程介面，讓我們可以快速構建一個基於機器學習的智能服務。對於開發者來說，目前有四種編程介面可供選擇：

• C++ source code: Tensorflow 核心基於 C++ 編寫，支持從高到低各個層級的操作;

• Python bindings & Python library: 對標 C++ 實現，支持 Python 調用 C++ 函數;

• Java bindings;

• Go binding;

下面是一個簡單的實例：

環境準備

安裝 TensorFlow C library,包含一個頭文件 c_api.h 和 libtensorflow.so

• 安裝 Go 語言環境

• 安裝 Tensorflow Go binding library

• 下載模型（demo model)，包含一個標籤文件 label_strings.txt 和 graph.pb

Tensorflow Model Function

Classifying Workflow

基於 Tensorflow 模型實現圖像識別的主要流程如下：

• 圖像轉換 (Convert to tensor )

• 圖像標準化( Normalize )

• 圖像分類 （ Classifying )

函數makeTensorFromImage() runs an image tensor through the normalization graph.

函數maketransformimagegraph() 將圖形的像素值調整到224x224，以符合模型輸入參數要求。

最後，將格式化的 image tensor 輸入到 Inception model graph 中運算。

Testing

通過上面的案例我們可以發現，這個服務目前可以對於黑天鵝圖像的推算概率值為 98.75%，非常準確；但是對於另外兩張寵物狗的圖像，最高的推算概率值也僅有 30% 左右，雖然也沒有被識別成貓咪或者狼，但是和理想效果要求可用性還有一段距離（此處暫時忽略物種本身的複雜性）。

主要是因為現在我們使用的還只是一個非常「原始」的模型，如果需要為小眾領域服務（寵物，也可以是其它事物），需要通過訓練（Training Models）增強優化，或者引入更豐富的標籤，更合適的模型。當然，訓練過程中也會存在樣本質量不佳的情況，錯誤樣本和各種噪音也會影響準確度。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！