作者簡介：akshay pai，數據科學工程師，熱愛研究機器學習問題。Source Dexter網站創辦人。
TensorFlow是Google的開源深度學習庫，你可以使用這個框架以及Python編程語言，構建大量基於機器學習的應用程序。而且還有很多人把TensorFlow構建的應用程序或者其他框架，開源發布到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用中使用，或者根據自身所需進一步予以改進。
TensorFlow簡介
如果你已經知道TensorFlow是什么，以及它是如何工作的，建議直接跳到下一節。如果你對使用Python學習TensorFlow感興趣，網上也有相關的教程可以參考。
這一節內容比較傲適合初學者。如前所述，TensorFlow是一個深度學習庫，使用這一框架，可以用來構建和測試深度神經網絡。
深度學習讓我們能夠以極高的准確性構建復雜的應用程序。圖像、視頻、文本、音頻等領域的問題，都可以通過深度學習解決。TensorFlow可以用於實現前述所有應用。
2015年11月9日，Google正式發布並開源TensorFlow，目前官方正式版本為TensorFlow 1.2。下面這段視頻，是當年TensorFlow剛發布時，Google發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習框架。這個庫之所以如此流行，是因為開發人員可以輕松的用其來搭建、測試和部署機器學習應用。
TensorFlow使用數據流圖，上面是一個TensorFlow的示意圖。我們不用關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點，節點就是一些數學函數，你可以將節點分組形成各種數學計算，並得到輸出。
箭頭代表流動到各個節點的數據。所以TensorFlow也被成為數據流庫。
OK，簡介到此，下面分享四個我非常喜歡的TensorFlow GitHub項目。
項目一：Neural Style
這是最酷的TensorFlow GitHub項目之一。神經風格是將一張照片的風格遷移到另一張照片上的過程，同時保留相關的特張。簡單的來說，通過這個項目，你可以使用TensorFlow創建自己的Prisma應用程序。
如上圖所示，把梵高畫作的風格，遷移到一張獅子的照片上，就得到一個星空風格的獅子照片，這就是所謂的風格遷移。下面再展示一組這個項目的風格遷移，能把這張獅子的照片，變成哪些非常有趣的效果。
這個項目在風格遷移的同時，還能對圖像進行語義分割。進而實現對內容的前景、背景進行不同的風格遷移處理。這個過程如下圖所示：
另外這個算法還能適用於視頻處理。
上述圖片處理使用的軟硬件如下：
CPU: Intel Core i7-6800K@3.4GHz×12
GPU: NVIDIA GeForce GTX 1080/PCIe/SSE2
OS: Linux Ubuntu 16.04.1 LTS 64-bit
CUDA: 8.0
python: 2.7.12
tensorflow: 0.10.0rc
opencv: 2.4.9.1
GitHub地址如下：
https://github.com/cysmith/neural-style-tf
項目二：Mozilla Deep Speech
這個GitHub項目使用TensorFlow將語音轉換為文本。語音轉文本是一個熱門的機器學習領域，然而各地的人們有着不同的口音，這也是一個難以解決的問題。不過仍然可以通過深度學習實現非常不錯的准確性。
其實這個項目，是一個基於百度DeepSpeech架構的TensorFlow實現。換句話說，這個項目是百度的內核，Google的外貌。
百度的相關論文地址在此：
https://arxiv.org/abs/1412.5567
DeepSpeech是吳恩達帶領百度團隊研發出的成果，最早發布於2014年底。今年初，百度基於DeepSpeech2，開發出一款名為SwiftScribe的應用（swiftscribe.ai），可以把語音文件更為快速、便捷的轉換為文字。目前只限於英文。
回到這個項目。
所需軟件環境如下：
Git Large File Storage
TensorFlow 1.0 or 1.1
SciPy
PyXDG
python_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的訓練比CPU快得多。
GitHub地址如下：
https://github.com/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，對於“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面句子，這也被稱為情緒分析。這個問題的難點在於：句子結構帶來的復雜性。
利用卷積神經網絡，我們可以嘗試構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（使用卷積神經網絡進行句子分類）》的簡單實現。這個論文的地址如下：
https://arxiv.org/abs/1408.5882
通過一個簡單的CNN卷積神經網絡，只進行很少的超參數調整和靜態矢量，就可以得到出色的句子分類結果。
所需軟件環境如下：
Python 3
Tensorflow > 0.12
Numpy
GitHub地址如下：
https://github.com/dennybritz/cnn-text-classification-tf
項目四：圖像分類/物體識別
圖像分類，也就是訓練系統識別貓貓狗狗，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。雖然實現流程各異，但底層系統是相通的。
所以作者創建了一個TensorFlow GitHub庫，其中包括兩個相互關聯的部分。第一部分：能夠識別1000個對象的TensorFlow圖像分類器。第二部分：創建並訓練一個全新的圖像分類器。
我們先來看看第一部分。
Google的TensorFlow圖像識別系統是目前最准確的圖像分類軟件。所謂圖像識別，就是對圖片中的內容進行識別，然而這並非對任意圖片都能識別。
只有被訓練過的對象，系統才能識別。例如，我們用三個類型訓練分類器：貓、狗和牛。三個分類器只能識別相應類別中的一個。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。
如何快速創建一個TensorFlow圖像分類器？只需要簡單的三步。當然前提是你已經裝好了TensorFlow，而且懂編程、會用Python。
第一步：下載
下載預訓練的模型、圖片和腳本。使用如下命令即可。
git clone https://github.com/akshaypai/tfClassifiercd tfClassifier
第二步：運行腳本找到最佳預測
給定一個圖片，運行腳本來進行分類。默認情況下，會顯示最佳預測。
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。
Python classifier.py --image_file file_path_to_image --num_top_predictions number_of_top_results
示例：比方我們給出這樣一張圖片。
python classifier.py --image_file ~/Pictures/fruit.jpgpomegranate (score = 0.98216)
分類器表示：這是石榴，准確率98%。
第三步：運行腳本獲得top n識別分類
現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 5picket fence, paling (score = 0.95750)worm fence, snake fence, snake-rail fence, Virginia fence (score = 0.03615)beacon, lighthouse, beacon light, pharos (score = 0.00018)boathouse (score = 0.00013)patio, terrace (score = 0.00007)
從上面的結果可以看出，分類器以95%的可能性預測圖片中有一個柵欄，另外分類器還發現了其他圍欄、庭院、露台等。
到此為止，你已經學到如何設置TensorFlow圖像識別系統。雖然，這個系統被限制在預訓練模型的幾個分類器之間。
那么我們接下來看看第二部分，如何增加一些新的分類器。
也是三個步驟。
第一步：下載預訓練模型以及所需腳本
我已經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 https://github.com/akshaypai/tfClassifiercd tfClassifier
第二步：設置圖像文件夾
這個步驟用於設置文件夾結構，以便數據流圖可以簡單地拾取分類。假設，你想重新訓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建相應的文件夾結構：
1、為每種花型創建一個文件夾，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構：
~/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，文件夾結構已經OK了。
第三步：運行預訓練腳本
使用如下命令運行腳本。
python retrain.py --model_dir ./inception --image_dir ~/flowers --output_graph ./output --how_many_training_steps 500
部分命令行參數：
-model_dir這個參數給出了預訓練模型的位置。
-image_dir在步驟二中創建的文件夾路徑
-output_graph存儲新訓練圖的位置
-how_many_training_steps這代表要執行的迭代次數，默認為4000
好了，以上就是如何重新訓練一個TensorFlow Inception模型。一旦你有了模型，就能開始用來進行分類處理。
結論
我希望你們也能體會到上述這些項目的精彩之處。學習一件事最好的方法就是動手去做。如果你還有更值得推薦的TensorFlow GitHub項目，可以留言給我們，讓更多的人看到。今天就先到這里吧。休息，休息一下~
原文地址：http://www.techweb.com.cn/news/2017-07-31/2566452.shtml