一个TensorFlow的新模型，Kaparthy小哥用了都说好

昨天午饭时分，营长注意到Kaparthy小哥（特斯拉AI主管、马斯克红人、李飞飞高徒）的Twitter活跃了起来：

大意是说，Google一周前给TensorFlow增加的新模型NASNet让人很是兴奋。

NASNet的GitHub地址 https://github.com/tensorflow/models/tree/master/research/slim/nets/nasnet

这个代码分析起来比较难，但实现出来的模型是相当好用的，它在速度和准确度之间的取舍之道令人印象深刻。

看到此处，营长顿感此模型定是高手所为。

果不其然，在TensorFlow的GitHub页面，Google是这么说的：

该目录所包含的是NASNet模型的代码，这个模型出自Zoph等人的论文：Learning Transferable Architectures for Scalable Image Recognition（通过学习可迁移结构实现具有可扩展性的图像识别任务）。 该目录的nasnet.py文件，包含有三种不同配置的NASNet模型实现。其中NASNet-A是基于CIFAR-10数据集的模型，而另外两个模型则是NASNet-A基于ImageNet数据集的变体。

看来要查查"Learning Transferable Architectures for Scalable Image Recognition"这篇论文，一查才知道论文作者是Google Brain的四位大牛Barret Zoph, Vijay Vasudevan, Jonathon Shlens, Quoc V. Le。其中Quoc V. Le还是吴恩达的得意门生。

该论文于7月21日提交的初版，10月25日刚刚更新第二版，目测是为该TensorFlow模型的上线做准备。

该模型的使用介绍详述如下：

预训练模型

在ILSVRC-2012-CLS图像分类数据库上训练出来的两个NASNet-A模型，其节点参数是可用的，模型的分类精度是通过评估单幅图像计算出来的，数值如下表：

关于如何下载NASNet-A_Mobile_224模型节点参数，命令行代码如下所示，NASNet-A_Large_331模型的下载方式与之类似。

CHECKPOINT_DIR=/tmp/checkpoints mkdir ${CHECKPOINT_DIR} cd ${CHECKPOINT_DIR} wget https://storage.googleapis.com/download.tensorflow.org/models/nasnet-a_mobile_04_10_2017.tar.gz tar -xvf nasnet-a_mobile_04_10_2017.tar.gz rm nasnet-a_mobile_04_10_2017.tar.gz

在TF-Slim图像分类库中得到更多关于如何将NASNet模型与自己项目相结合的信息：

https://github.com/tensorflow/models/blob/master/research/slim/README.md

要在设备上运行这些模型，需要在移动端上安装Tensorflow

https://www.tensorflow.org/mobile/

使用该模型进行推断的代码样例

测试NASNet模型—一个移动端的ImageNet模型

DATASET_DIR=/tmp/imagenet EVAL_DIR=/tmp/tfmodel/eval CHECKPOINT_DIR=/tmp/checkpoints/model.ckpt python tensorflow_models/research/slim/eval_image_classifier \ --checkpoint_path=${CHECKPOINT_DIR} \ --eval_dir=${EVAL_DIR} \ --dataset_dir=${DATASET_DIR} \ --dataset_name=imagenet \ --dataset_split_name=validation \ --model_name=nasnet_mobile \ --eval_image_size=224 \ --moving_average_decay=0.9999

测试NASNet模型—一个大型的ImageNet模型

DATASET_DIR=/tmp/imagenet EVAL_DIR=/tmp/tfmodel/eval CHECKPOINT_DIR=/tmp/checkpoints/model.ckpt python tensorflow_models/research/slim/eval_image_classifier \ --checkpoint_path=${CHECKPOINT_DIR} \ --eval_dir=${EVAL_DIR} \ --dataset_dir=${DATASET_DIR} \ --dataset_name=imagenet \ --dataset_split_name=validation \ --model_name=nasnet_large \ --eval_image_size=331 \ --moving_average_decay=0.9999

很快，就有人觉得TensorFlow的官方部署方法太笨了，Teahoon Lee立刻贴上了自己前一天刚刚优化出来的方法：

https://github.com/taehoonlee/tensornets/blob/master/tensornets/nasnets.p y

Kaparthy小哥立刻表示，”干得漂亮！“

不过，TensorFlow有了新模型，PyTorch自然也不甘落后，几小时后，Remi Cadene就给出了该模型的Pytorch实现：

https://github.com/Cadene/pretrained-models.pytorch/blob/master/pretrainedmodels/nasnet.py

对于TensorFlow的原始代码，这两位小哥均表示太难读了，他们都是使用tensorboard工具才写好的新代码。

而计算机视觉全栈工程师、TenDozen创始人Jared则就此专门 @ Kaparthy小哥：我发现，绝大部分出自于论文的新模型，需要相当多的调教才能适用于工业级生产环境。但聊胜于无，至少我们现在是有了一个全新的模型。

从论文概念到实际部署，耗时不到4个月的NASNet，用时应当算是很短了。但是，鉴于Kaparthy小哥都说这代码很难，想必该模型距离部署到Tesla的自动驾驶平台，还是有一段路要走的。

另外，成功引起Kaparthy注意的那两位小哥，你们要不要来Tesla参观一圈？