0基础建自己的图像识别系统

　　有些人会使用IBM Watson来建立自己的图片识别系统，但是Watson虽然使用方便，但其定制化的能力就比较弱了。对于希望能给构建的图像识别系统增加更多灵活性的同学来说。TensorFlow是个不错的选择。

　　到底选哪个合适呢？

　　Watson和Tensorflow没法直接比较。Watson是一系列已经构建好的API;而Tensorflow是一个library。如果你知道怎么用的话，可以根据项目的需求，做出各种各样的调整。甚至做一个Tensorflow版的水货Watson。

　　下面的案例，就是我们通过利用谷歌的Inception v3 network来做一个翻版。

　　在开始之前，你需要先安装一个Docker。

　　Docker地址——https://www.docker.com/products/docker-toolbox

　　然后，创建一个 tf_files的文件夹 ，作为项目的主文件目录

　　在 tf_files下面，再创建test_set 和 training_set两个文件夹

　　然后在training_set 里创建maul 和 vader这两个需要识别的图片分类。

　　将下载的图片文件都复制到这两个分类文件夹里

目录结构

　　然后打开docker的终端

　　用cd命令进入tf_files目录下

　　输入这条命令

　　下载下面这个Python Script

　　有了这个Script你之后就可以假装是个码农了

　  curl -L https://goo.gl/tx3dqg > label_image.py

　　然后启动 docker

　　docker run -it -v $PWD:/tf_files gcr.io/tensorflow/tensorflow:latest-devel

　　Tips

　　Docker run命令介绍

　　http://www.lupaworld.com/article-250439-1.html

　　到此准备工作就结束了

　　可以开始训练模型了

　　惊喜不惊喜？

　　意外不意外？

　　重新训练

　　再用cd命令

　　切换到 /tensorflow文件目录下

　　把最新的内容更新　

　　cd /tensorflow
　　git pull

　　更新完成后，运行一下命令

　　重新训练模型

    python tensorflow/examples/image_retraining/retrain.py \　
    　
    --bottleneck_dir=/tf_files/bottlenecks \　
    　
    --how_many_training_steps 500 \　　
    
    --model_dir=/tf_files/inception \　　
    
    --output_graph=/tf_files/retrained_graph.pb \　　
    
    --output_labels=/tf_files/retrained_labels.txt \　　
    
    --image_dir /tf_files/training_set

　　在机器正在忙着训练的时候，你要是等不及，可以玩一局王者荣耀，等你打完，模型应该训练好了

　　然后你就可以运行刚才下载的Python Script来进行测试了

   python /tf_files/label_image.py /tf_files/test_set/my_test_photo.jpg

　　如果没有什么问题，

　　你应该会得到差不多这样的反馈

    maul (score = 0.99071)　　

    vader (score = 0.00929)

　　请注意

　　Tensorflow返回的数值是经过标准化之后的数值

　　他们相加等于1

　　所以这数字对于某些情况下

　　可能会误导你

　　其实实际并没有数值显示的那么高

　　结论

　　总的来说，Watson用起来比Tensorflow要简单得多。如果你有钱，项目又不复杂，尽量用Watson。

　　但是如果想要骗到妹子，让她觉得你不仅仅会修电脑，或者在不懂行的投资人面前装装逼，那Tensorflow就太适合了。

　　用Tensorflow搭建的分类器可以放在你自己的服务器或者本机上，这样就不用付服务器费用了，以尽可能小的成本装逼是我的一贯行为准则。