王亨：个人公众号：跟着菜鸟一起学R语言
提到机器学习，深度学习这些，大家都会立马想起Python。但R的实力也不容小觑。今天就用R来演示一个基于TensorFlow的图像识别的例子。如果你想运行这些代码，就必须先安装配置好TensorFlow，我是在Linux系统上面运行的。如何配置TensorFlow尽量看看官方文档，虽然是英文的，但是最新的，也是最准确的。
废话不说，直接来看代码，在代码中我也做了详细的注释，看起来应该不是很困难。
library(tensorflow) #加载TensorFlow包
library(magrittr) #数据处理包，可以使用管道函数
slim= tf$contrib$slim #slim是一个使构建，训练，评估神经网络变得简单的库。
# slim提供了很多计算机视觉方面的著名模型（VGG, AlexNet等），我们不仅可以直接使用，甚至能以各种方式进行扩展。
tf$reset_default_graph() #在每次运行中清除当前图形，以避免变量重复#Session会话 张量的具体值和操作,会话关闭时，张量的任何具体值都会丢失
images = tf$placeholder(tf$float32, shape(NULL, NULL, NULL, 3))# 创建占位符
imgs_scaled = tf$image$resize_images(images, shape(224,224)) #设置图片大小# slim$conv2d自带卷积功能+激励函数
fc8 = slim$conv2d(imgs_scaled, 64, shape(3,3), scope='vgg_16/conv1/conv1_1') %>% slim$conv2d(64, shape(3,3), scope='vgg_16/conv1/conv1_2') %>% slim$max_pool2d( shape(2, 2), scope='vgg_16/pool1') %>% #池化操作 slim$conv2d(128, shape(3,3), scope='vgg_16/conv2/conv2_1') %>% slim$conv2d(128, shape(3,3), scope='vgg_16/conv2/conv2_2') %>% slim$max_pool2d( shape(2, 2), scope='vgg_16/pool2') %>% slim$conv2d(256, shape(3,3), scope='vgg_16/conv3/conv3_1') %>% slim$conv2d(256, shape(3,3), scope='vgg_16/conv3/conv3_2') %>% slim$conv2d(256, shape(3,3), scope='vgg_16/conv3/conv3_3') %>% slim$max_pool2d(shape(2, 2), scope='vgg_16/pool3') %>% slim$conv2d(512, shape(3,3), scope='vgg_16/conv4/conv4_1') %>% slim$conv2d(512, shape(3,3), scope='vgg_16/conv4/conv4_2') %>% slim$conv2d(512, shape(3,3), scope='vgg_16/conv4/conv4_3') %>% slim$max_pool2d(shape(2, 2), scope='vgg_16/pool4') %>% slim$conv2d(512, shape(3,3), scope='vgg_16/conv5/conv5_1') %>% slim$conv2d(512, shape(3,3), scope='vgg_16/conv5/conv5_2') %>% slim$conv2d(512, shape(3,3), scope='vgg_16/conv5/conv5_3') %>% slim$max_pool2d(shape(2, 2), scope='vgg_16/pool5') %>% slim$conv2d(4096, shape(7, 7), padding='VALID', scope='vgg_16/fc6') %>% slim$conv2d(4096, shape(1, 1), scope='vgg_16/fc7') %>% # Setting the activation_fn=NULL does not work, so we get a ReLU slim$conv2d(1000, shape(1, 1), scope='vgg_16/fc8') %>% tf$squeeze(shape(1, 2), name='vgg_16/fc8/squeezed')
tf$summary$FileWriter('/tmp/dumm/vgg16', tf$get_default_graph())$close() #保存在/tmp/dumm/vgg16目录下
restorer = tf$train$Saver() #创建一个Saver 来管理模型中的所有变量。
sess = tf$Session()restorer$restore(sess, 'vgg_16.ckpt') #复原模型
library(jpeg)img1<-readJPEG('caomei.jpg') #img1的值在0-1之间。
d=dim(img1) #获取img1的维度
imgs =array(255*img1,dim = c(1,d[1],d[2],d[3]))
#因为数值需要在0到225之间，所以需要乘225.形成一个四维数组#我们可以通过与存储在数组imgs中的图像的张量来对图像做预测
fc8_vals=sess$run(fc8,dict(images=imgs))#将fc8的张量存储在fc8_vals中。
fc8_vals[1:5]probs=exp(fc8_vals)/sum(exp(fc8_vals))
#按概率从高排序，并取前五个。
idx=sort.int(fc8_vals,index.return = TRUE,decreasing = TRUE)$ix[1:5]
#读取图像分类文件
library(readr)names = read_delim("imagenet_classes.txt", " ", escape_double = FALSE, trim_ws = TRUE,col_names = FALSE)
library(grid) #图片处理的一个包，主要控制输出图形的大的外观和一些细节东西的排列
g = rasterGrob(img1, interpolate=TRUE) #图形进行栅格化
text = ""for (id in idx) { text = paste0(text, names[id,][[1]], " ", round(probs[id],5), "
") }
#annotate 添加文本注释
#annotation_custom 可以添加各种图形元素到ggplot图中
library(ggplot2)ggplot(data.frame(d=1:3)) + annotation_custom(g) + annotate('text',x=0.05,y=0.05,label=text, size=7, hjust = 0, vjust=0, color='blue') + xlim(0,1) + ylim(0,1)主要代码转自：
https://randomthoughtsonr.blogspot.com/2016/11/image-classification-in-r-using-trained.html
我在网上找的了一张草莓的图片，使用该模型进行识别。
识别结果如下图，不过结果还挺准的。是草莓的概率是0.99999。不过有的情况下识别结果还是不太准的，毕竟这个模型也是有限的。
再来一张二哈（英文名：Siberian husky，取自百度百科）的照片，我专门在百度百科上面找了一张二哈比较霸气的照片。在百度百科上面找的主要原因就是保证这张照片就是二哈。
图片来自百度百科 词条“西伯利亚雪橇犬”
分析结果表明是二哈的可能性是0.592.基本上还是挺准的。
也许就有人说Siberian husky和husky，有什么区别，百度百科上面他们好像就是一个。在维基百科查阅发现，Siberian husky是husky的一个品种，husky还包括了其他品种比如拉布拉多犬哈士奇，我相信一些爱狗人士可能会董。于是我在维基百科上面的husky词条找到了下面这张照片。
图片来源 维基百科 词条“Husky”
结果显示是husky的概率是0.46234.还是挺准的，毕竟这只是一张侧脸照。把这两张照片放在一块，我觉得一般人都分不清楚。
补充：
由于TensorFlow发展比较快，如果看一些比较旧的资料，比如两年前的资料，在用最新的TensorFlow时，输入有的API就会报错，我在这跟大家分享几个API更新后的名字，希望在用的时候能帮到大家。
| 旧版本 | 新版本 |
|---|---|
| tf.mul | tf.multiply |
| tf.sub | tf.subtract |
| tf.neg | tf.negative |
| tf.train.SummaryWriter | tf.summary.FileWriter |
程序中用到的vgg16模型以及imagenet_classes.txt我已经通过百度网盘分享给大家了，点击阅读原文即可，提取码为：vxp3。觉得不错，那就把这篇文章分享给好友吧，让大家都知道R也是六六的。
公众号后台回复关键字即可学习
回复 R R语言快速入门及数据挖掘
回复 Kaggle案例 Kaggle十大案例精讲（连载中）
回复 文本挖掘 手把手教你做文本挖掘
回复 可视化 R语言可视化在商务场景中的应用
回复 大数据 大数据系列免费视频教程
回复 量化投资 张丹教你如何用R语言量化投资
回复 用户画像 京东大数据，揭秘用户画像
回复 数据挖掘 常用数据挖掘算法原理解释与应用
回复 机器学习 人工智能系列之机器学习与实践
回复 爬虫 R语言爬虫实战案例分享
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
