Machine Learning（一）：基于 TensorFlow 实现宠物血统智能识别

人类喜欢将所有事物都纳入鄙视链的范畴，宠物当然也不例外。一般来说，拥有一只纯种宠物可以让主人占据鄙视链的云端，进而鄙视那些混血或者流浪宠物。甚至还发展出了专业的鉴定机构，可以颁发《血统证明书》。但是考究各类纯种鉴定的常规方法：例如眼睛的大小、颜色、鼻子的特点、身躯长度、尾巴特征、毛发等，当然也包括一些比较玄幻的特征：宠物家族的个性、气质等等。抛开“黑魔法”不在此讨论之外，既然是基于生物外形特征鉴定，判断是否纯种的需求本质上就是一个图像识别服务。

Hello TensorFlow

Tensorflow is not a Machine Learning specific library, instead, is a general purpose computation library that represents computations with graphs.

TensorFlow 开源软件库（Apache 2.0 许可证），最初由 Google Brain 团队开发。TensorFlow 提供了一系列算法模型和编程接口，让我们可以快速构建一个基于机器学习的智能服务。对于开发者来说，目前有四种编程接口可供选择：

C++ source code: Tensorflow 核心基于 C++ 编写，支持从高到低各个层级的操作;

Python bindings & Python library: 对标 C++ 实现，支持 Python 调用 C++ 函数;

Java bindings;

Go binding;

下面是一个简单的实例：

环境准备

安装 TensorFlow C library,包含一个头文件 c_api.h 和 libtensorflow.so

安装 Go 语言环境

安装 Tensorflow Go binding library

下载模型（demo model)，包含一个标签文件 label_strings.txt 和 graph.pb

Tensorflow Model Function

Classifying Workflow

基于 Tensorflow 模型实现图像识别的主要流程如下：

图像转换 (Convert to tensor )

图像标准化( Normalize )

图像分类 （ Classifying )

函数makeTensorFromImage() runs an image tensor through the normalization graph.

函数maketransformimagegraph() 将图形的像素值调整到224x224，以符合模型输入参数要求。

最后，将格式化的 image tensor 输入到 Inception model graph 中运算。

Testing

通过上面的案例我们可以发现，这个服务目前可以对于黑天鹅图像的推算概率值为 98.75%，非常准确；但是对于另外两张宠物狗的图像，最高的推算概率值也仅有 30% 左右，虽然也没有被识别成猫咪或者狼，但是和理想效果要求可用性还有一段距离（此处暂时忽略物种本身的复杂性）。

主要是因为现在我们使用的还只是一个非常“原始”的模型，如果需要为小众领域服务（宠物，也可以是其它事物），需要通过训练（Training Models）增强优化，或者引入更丰富的标签，更合适的模型。当然，训练过程中也会存在样本质量不佳的情况，错误样本和各种噪音也会影响准确度。