GitHub上四個超棒的TensorFlow開源項目

1、GitHub上四個超棒的TensorFlow開源項目TensorFlow是Google的開源深度學(xué)習(xí)庫，你可以使用 這個框架以及Python編程語言，構(gòu)建大量基于機器學(xué)習(xí)的 應(yīng)用程序。而且還有很多人把TensorFlow構(gòu)建的應(yīng)用程序 或者其他框架，開源發(fā)布到GitHub上。這次跟大家分享一些GitHub上令人驚奇的TensorFlow項目，你可以直接 在你的應(yīng)用中使用，或者根據(jù)自身所需進一步予以改進。 TensorFlow簡介如果你已經(jīng)知道TensorFlow是什么，以及 它是如何工作的，建議直接跳到下一節(jié)。如果你對使用 Python學(xué)習(xí)TensorFlow感興趣，網(wǎng)上也有相關(guān)的教程可以 參

2、考。這一節(jié)內(nèi)容比較傲適合初學(xué)者。如前所述，TensorFlow是一個深度學(xué)習(xí)庫，使用這一框架，可以用來 構(gòu)建和測試深度神經(jīng)網(wǎng)絡(luò)。深度學(xué)習(xí)讓我們能夠以極高的準(zhǔn)確性構(gòu)建復(fù)雜的應(yīng)用程序。圖像、視頻、文本、音頻等 領(lǐng)域的問題，都可以通過深度學(xué)習(xí)解決。TensorFlow可以 用于實現(xiàn)前述所有應(yīng)用。 2015年11月9日，Google 正式發(fā)布并開源TensorFlow，目前官方正式版本為 TensorFlow 1.2。下面這段視頻，是當(dāng)年TensorFlow剛發(fā) 布時，Google發(fā)布的一個官方介紹短片，Jeff Dean等出鏡 講述。 TensorFlow很快成為GitHub上用戶最多的深度 學(xué)習(xí)框

3、架。這個庫之所以如此流行，是因為開發(fā)人員可以輕 松的用其來搭建、測試和部署機器學(xué)習(xí)應(yīng)用。TensorFlow使用數(shù)據(jù)流圖，上面是一個TensorFlow的示意圖。我們不用關(guān)心這張圖具體代表什么，但你需要知道，其 中的橢圓和正方形代表節(jié)點，節(jié)點就是一些數(shù)學(xué)函數(shù)，你可 以將節(jié)點分組形成各種數(shù)學(xué)計算，并得到輸出。箭頭代表流動到各個節(jié)點的數(shù)據(jù)。所以TensorFlow也被成為數(shù)據(jù) 流庫。四個TensorFlow開源項目： 項目一：Neural Style這是 最酷的TensorFlow GitHub項目之一。神經(jīng)風(fēng)格是將一張照 片的風(fēng)格遷移到另一張照片上的過程，同時保留相關(guān)的特張。 簡單的來說，通過這

4、個項目，你可以使用TensorFlow創(chuàng)建 自己的Prisma應(yīng)用程序。如上圖所示，把梵高畫作的風(fēng)格，遷移到一張獅子的照片上，就得到一個星空風(fēng)格的獅子 照片，這就是所謂的風(fēng)格遷移。下面再展示一組這個項目的 風(fēng)格遷移，能把這張獅子的照片，變成哪些非常有趣的效果。 這個項目在風(fēng)格遷移的同時，還能對圖像進行語義分割。進 而實現(xiàn)對內(nèi)容的前景、背景進行不同的風(fēng)格遷移處理。這個 過程如下圖所示：另外這個算法還能適用于視頻處理。上 述圖片處理使用的軟硬件如下：CPU: Intel Corei7-6800K3.4GHzx12GPU: NVIDIA GeForce GTX1080/PCIe/SSE2 OS: L

5、inux Ubuntu 16.04.1 LTS 64-bit CUDA: 8.0 python: 2.7.12 tensorflow: 0.10.0rc opencv: GitHub 地址如下： HYPERLINK /cysmith/neural-style-tf /cysmith/neural-style-tf項目二：Mozilla Deep Speech 這個 GitHub 項目使用 TensorFlow將語音轉(zhuǎn)換為文本。語音轉(zhuǎn)文本是一個熱門的 機器學(xué)習(xí)領(lǐng)域，然而各地的人們有著不同的口音，這也是一 個難以解決的問題。不過仍然可以通過深度學(xué)習(xí)實現(xiàn)非常不 錯的準(zhǔn)確性。其實這個項目，是一個基于百

6、度DeepSpeech架構(gòu)的TensorFlow實現(xiàn)。換句話說，這個項 目是百度的內(nèi)核，Google的外貌。百度的相關(guān)論文地址在 此： HYPERLINK /abs/1412.5567DeepSpeech /abs/1412.5567DeepSpeech 是吳恩達 帶領(lǐng)百度團隊研發(fā)出的成果，最早發(fā)布于2014年底。今年 初，百度基于DeepSpeech2，開發(fā)出一款名為SwiftScribe 的應(yīng)用(swiftscribe.ai)，可以把語音文件更為快速、便捷的 轉(zhuǎn)換為文字。目前只限于英文。所需軟件環(huán)境如下：Git Large File Storage TensorFlow 1.0 or 1.

7、1 SciPy PyXDGpython_speech_features (nb: deprecated)python sox pandas DeepSpeech native client libraries如果你有至少8GB顯存的英偉達GPU，強烈建議安裝支持GPU的TensorFlow，因為使用GPU的訓(xùn)練比 CPU快得多。GitHub地址如下： HYPERLINK /mozilla/DeepSpeech /mozilla/DeepSpeech項目三：句子分類句子分類就是識別句子類型的過程。例如，對于“食物非常糟糕”這個句子，你可能希望將其分類為正面句子或負(fù)面句子，這也被稱為情緒分析。這個

8、問題的 難點在于：句子結(jié)構(gòu)帶來的復(fù)雜性。利用卷積神經(jīng)網(wǎng)絡(luò)，我們可以嘗試構(gòu)建一個強大的文本分類器。這里介紹的項目， 是 Yoon Kim 論文Convolutional Neural Networks for Sentence Classification（使用卷積神經(jīng)網(wǎng)絡(luò)進行句子分類） 的簡單實現(xiàn)。這個論文的地址如下： HYPERLINK /abs/1408.5882 /abs/1408.5882 通過一個簡單的 CNN 卷積神經(jīng)網(wǎng)絡(luò)，只進行很少的超參數(shù)調(diào)整和靜態(tài)矢量，就可 以得到出色的句子分類結(jié)果。所需軟件環(huán)境如下：Python 3 Tensorflow 0.12 Numpy GitHub

9、地 址如下： HYPERLINK /dennybritz/cnn-text-classification-tf /dennybritz/cnn-text-classification-tf項目四：圖像分類/物體識別圖像分類，也就是訓(xùn)練系統(tǒng) 識別貓貓狗狗，或者車道、海灘、天際線等場景。計算機視 覺是一個范圍巨大的領(lǐng)域，從面部識別到情感識別，甚至可 以進行視覺氣體泄漏檢測。雖然實現(xiàn)流程各異，但底層系統(tǒng) 是相通的。所以作者創(chuàng)建了一個TensorFlow GitHub庫，其中包括兩個相互關(guān)聯(lián)的部分。第一部分：能夠識別1000 個對象的TensorFlow圖像分類器。第二部分：創(chuàng)建并訓(xùn)練 一個全新的圖像

10、分類器。我們先來看看第一部分。Google的TensorFlow圖像識別系統(tǒng)是目前最準(zhǔn)確的圖像分類軟件。所謂圖像識別，就是對圖片中的內(nèi)容進行識別，然而這并非對任意圖片都能識別。只有被訓(xùn)練過的對象，系統(tǒng)才能識別。例如，我們用三個類型訓(xùn)練分類器：貓、狗 和牛。三個分類器只能識別相應(yīng)類別中的一個。如果給出一 張駱駝的圖片會怎樣？圖片仍會通過一個分類器，但是置信 率會非常的低。 如何快速創(chuàng)建一個TensorFlow圖像分 類器？只需要簡單的三步。當(dāng)然前提是你已經(jīng)裝好了 TensorFlow，而且懂編程、會用Python。 第一步：下 載 下載預(yù)訓(xùn)練的模型、圖片和腳本。使用如下命令即可。 git clo

11、ne HYPERLINK /akshaypai/tfClassifier /akshaypai/tfClassifier cd tfClassifier第二步：運行腳本找到最佳預(yù)測 給定一個圖 片，運行腳本來進行分類。默認(rèn)情況下，會顯示最佳預(yù)測。 Python classifier.py -image_file file_path_to_image 為了獲 得top n分類，可以使用如下參數(shù)。Python classifier.py-image_file file_path_to_image -num_top_predictions number_of_top_results示例：比方我們給出

12、這樣一張圖片。 python classifier.py -image_file /Pictures/fruit.jpg pomegranate (score = 0.98216)分類器表示：這是石榴，準(zhǔn) 確率98%。 第三步 運行腳本獲得top n識別分類 現(xiàn) 在我們嘗試給出一個具有更多屬性的圖像，如下圖的房子。 python classifier.py -image_file /Pictures/house.jpg -num_top_predictions 5 picket fence, paling (score =0.95750) worm fence, snake fence, sn

13、ake-rail fence, Virginia fence (score = 0.03615) beacon, lighthouse, beacon light, pharos (score = 0.00018) boathouse (score = 0.00013) patio, terrace (score = 0.00007)從上 面的結(jié)果可以看出，分類器以95%的可能性預(yù)測圖片中有一 個柵欄，另外分類器還發(fā)現(xiàn)了其他圍欄、庭院、露臺等。 到此為止，你已經(jīng)學(xué)到如何設(shè)置TensorFlow圖像識別系統(tǒng)。 雖然，這個系統(tǒng)被限制在預(yù)訓(xùn)練模型的幾個分類器之間。 那么我們接下來看看第二部分，如何增

14、加一些新的分類器。 也是三個步驟。第一步：下載預(yù)訓(xùn)練模型以及所需腳本我已經(jīng)把全部所需的文件整合進一個git倉庫里。使用下面 的命令可以下載。git clone HYPERLINK /akshaypai/tfClassifier /akshaypai/tfClassifier cd tfClassifier 第二步：設(shè)置圖像文件夾這個步驟用于設(shè)置文件夾結(jié)構(gòu)，以便數(shù)據(jù)流圖可以簡單地拾取分類。假設(shè)，你想重新訓(xùn)練五 種新的花朵分類器：玫瑰、郁金香、蒲公英、五月花和萬壽 菊，那么需要如下的三個步驟來創(chuàng)建相應(yīng)的文件夾結(jié)構(gòu)： 1、為每種花型創(chuàng)建一個文件夾，文件夾的名稱就是類型的 名稱 2、將花的所有圖像添加

15、到各自的文件夾中，所有 的玫瑰放入玫瑰花文件夾3、將所有的文件夾，添加到一個父文件夾中，可以命名為：花然后我們就得到如下的結(jié)構(gòu)：/flowers/flowers/roses/img1.jpg/flowers/roses/img2.jpg./flowers/tulips/tulips_img1.jpg /flowers/tulips/tulips_img2.jpg /flowers/tulips/tulips_img3.jpg.這樣，文件夾結(jié)構(gòu)已經(jīng)OK 了。 第三步：運行預(yù)訓(xùn)練腳本 使用如下命令運 彳亍腳本。python retrain.py -model_dir ./inception-image_dir -/flowers -o