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O'Reilly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 poets，How 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Docker
Docker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 Shutdown
3.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~
via：
oreilly
