Linux上TensorFlow的深入研究：构建一个低成本、快速、精准的图像分类器

编者注：想要学习如何从头开始构建和训练你的第一个TensorFlow计算图，请阅读Aaron Schumacher在O’Reilly在线教程里的《你好，TensorFlow!》

在过去的八个月里，我花了大量时间学习了尽可能多的机器学习知识。我经常对在这个小但快速成长的社区中的在线慕课（MOOCs）上遇到的各种各样的人感到惊讶。他们中既有费米实验室（Fermilab）的量子研究员，也有硅谷的CEO们。最近我一直关注开源软件TensorFlow，这篇教程就是我的研究成果。

我觉得很多机器学习教程都是面向Mac系统的。使用Linux系统的一个主要优势是它是免费的，并支持基于GPU的TensorFlow。GPU的并行加速计算能力是机器学习重大进步的原因之一。因此你不需要为了构建一个快速分类器而使用最前沿的计算设备，像我用的计算机和显卡总共花费了不到400美元。

在本教程中我会告诉你如何在Ubuntu上使用GPU来训练自己的图像分类器。本教程跟Pete Warden的《“诗人”也能用TensorFlow》非常类似，但是稍有不同。我会假定你已经安装了TensorFlow和Bazel，并在你的主目录下git克隆了最新版本的TensorFlow。如果你还没有完成上述工作，你可以按照我博客上的教程进行操作。如果你的计算机没有与TensorFlow兼容GPU，你仍然可以使用这个教程，只不过它需要更长的时间。

整个训练过程非常简单，可以分为四个主要步骤：

1. 收集训练用的图像。

2. 使用TensorFlow和Inception模型来训练一个计算图/模型。

3. 编写脚本来用你的计算图来进行图像分类。

4. 通过对新图像进行分类来测试脚本。

我决定使用五种不同的鸷鸟来训练我的图像分类器。使用鸷鸟并不是一个偶然的决定，我曾在不列颠哥伦比亚省邓肯市的“