使用 TensorFlow 你可以完成很多有意的事情，TensorFlow 是 Google 开源的一套机器学习框架。Inception-v3 是一个新的模型，是 GoogleNet 的第三个版本，目前最新的 Inception 模型已经更新到第四个版本。
这篇文章中，我将使用 Inception-v3 模型来做简单的各种图像识别。如果你想直接跳到代码，可以在文末的 GitHub 链接上找到它；或者你也可以利用 Google Colab 进行零设置运行模型。
数据集：图像识别来源的数据
我们将使用 Google 训练好的数据集做图像识别。
下载地址：https://storage.googleapis.com/download.tensorflow.org/models/inception_dec_2015.zip
代码编写
模型中的 imagenet_2012_challenge_label_map_proto.pbtxt 描述文件中包含着大量名值匹配的数据。其中 target_class 有着 1000 个数据分类。
entry {
target_class: 449
target_class_string: “n01440764”
}
target_class_string 对应编号：
n01440764 tench, Tinca tinca
首先，导入所有必要模块。
import tensorflow as tf
import os
import numpy as np
import re
from PIL import Image
import matplotlib.pyplot as plt
接下来，将下载好的数据加载进行分类。
label_lookup_path = 'inception_model/imagenet_2012_challenge_label_map_proto.pbtxt'
uid_lookup_path = 'inception_model/imagenet_synset_to_human_label_map.txt'
self.node_lookup = self.load(label_lookup_path, uid_lookup_path)
…
proto_as_ascii_lines = tf.gfile.GFile(uid_lookup_path).readlines()
for line in proto_as_ascii_lines:
…
proto_as_ascii = tf.gfile.GFile(label_lookup_path).readlines()
for line in proto_as_ascii:
给 1000 个数据建立映射关系。
node_id_to_name = {}
for key, val in node_id_to_uid.items():
name = uid_to_human[val]
node_id_to_name[key] = name
return node_id_to_name
创建 Graph 训练模型。
with tf.gfile.FastGFile(‘inception_model/classify_image_graph_def.pb’, ‘rb’) as f:
graph_def = tf.GraphDef()
graph_def.ParseFromString(f.read())
tf.import_graph_def(graph_def, name = ”)
运行结果
lakeside, lakeshore (score = 0.86106)
lakeside, lakeshore (score = 0.86106)
canoe (score = 0.05234)
boathouse (score = 0.04097)
corn (score = 0.00564)
rapeseed (score = 0.00400)
应用结果给出 86% 的 lakeside, lakeshore.
运用 Inception-v3 进行图像识别，你还可以做更多简单的实例，比如利用它进行实物翻译，或者制作模型做些细化的图像分类等。
网友评论