第三阶段-tensorflow项目之图像image相关--Image Recognition图像识别

Image Recognition图像识别

我们大脑识别图像非常简单。我们的大脑让视觉看起来很容易。 对于人类来说，分开一只狮子和一只美洲虎，读一个标牌，或者认出一个人的脸，并不费事。 但使用计算机来识别图像的内容是非常不易的。

在过去的几年里，机器学习领域在解决这些难题方面取得了巨大的进步。 具体而言，我们发现一种称为深度卷积神经网络CNNs的模型能够在硬视觉识别任务上达到合理的性能 - 在某些领域匹配或超出人类的表现。

图像研究人员通过对ImageNet的努力，证明了计算机视觉方面的稳定进展。ImageNet –an academic benchmark for computer vision. 是计算机视觉的学术基准。一连串的成功模型不断提升图片识别准确率，每一次都实现了一个新的最新的结果：QuocNet，AlexNet，Inception（GoogLeNet），BN-Inception-v2。 Google内部和外部的研究人员已经发表了描述所有这些模型的论文，但是结果仍然难以重现。 我们下一步通过发布我们的最新模型Inception-v3，运行图像识别。

Inception-v3使用2012年的数据对ImageNet大型视觉识别挑战进行了训练。这是计算机视觉中的一项标准任务，模型试图将整个图像分为1000个类，如“Zebra”，“Dalmatian”和“Dishwasher”。 例如，下面是AlexNet对一些图像进行分类的结果：

为了对比模型，我们检查了模型错误率，作为前5个猜测之一 - 被称为“前5模型错误率”。 AlexNet通过设置2012年验证数据集的前5位错误率达到15.3％
初始（GoogLeNet）达到6.67％;
BN-Inception-v2达到4.9％;
Inception-v3达到3.46％。

• 人类在ImageNet挑战中的表现如何？ Andrej Karpathy有一篇博客文章衡量自己的表现。 他达到了5.1％错误率。

1，Usage with Python API（使用pythonAPI实现）

本教程将教你如何使用Inception-v3。使用Python或C ++ ，您将学习如何将图像分类到1000个类中。 我们还将讨论如何从这个模型中提取更高级别的特征，这些特征可能会被其他视觉任务重用。

我们很高兴看到社区使用Python API用到这个模型。
当程序第一次运行时，classify_image.py从tensorflow.org下载训练好的模型。 您的硬盘上需要大约200M的可用空间。我们可以从github上下载源码：

python classify_image.py

上述命令将分类出一只熊猫的图像。

如果模型正确运行，将产生以下输出：

giant panda, panda, panda bear, coon bear, Ailuropoda melanoleuca (score = 0.88493)
indri, indris, Indri indri, Indri brevicaudatus (score = 0.00878)
lesser panda, red panda, panda, bear cat, cat bear, Ailurus fulgens (score = 0.00317)
custard apple (score = 0.00149)
earthstar (score = 0.00127)

如果你想提供其他JPEG图像，你可以通过编辑–image_file参数来实现。

• 如果你将模型数据下载到不同的目录࿰