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

wget https://storage.googleapis.com/tensorflow/libtensorflow/libtensorflow-cpu-linux-x86_64-1.5.0.tar.gz## optionsTF_TYPE="cpu" # Change to "gpu" for GPU supportTF_VERSION='1.5.0'curl -L \  "https://storage.googleapis.com/tensorflow/libtensorflow/libtensorflow-${TF_TYPE}-$(go env GOOS)-x86_64-${TF_VERSION}.tar.gz" |

• 安装 Go 语言环境,参考：

• 安装 Tensorflow Go binding library

go get github.com/tensorflow/tensorflow/tensorflow/gogo get github.com/tensorflow/tensorflow/tensorflow/go/op

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

mkdir modelwget https://storage.googleapis.com/download.tensorflow.org/models/inception5h.zip -O model/inception.zipunzip model/inception.zip -d modelchmod -R 777 model

Tensorflow Model Function

//Loading TensorFlow modelfunc loadModel() error {  // Load inception model  model, err := ioutil.ReadFile("./model/tensorflow_inception_graph.pb")  if err != nil {    return err  }  graph = tf.NewGraph()  if err := graph.Import(model, ""); err != nil {    return err  }  // Load labels  labelsFile, err := os.Open("./model/imagenet_comp_graph_label_strings.txt")  if err != nil {    return err  }  defer labelsFile.Close()  scanner := bufio.NewScanner(labelsFile)  // Labels are separated by newlines  for scanner.Scan() {    labels = append(labels, scanner.Text())  }  if err := scanner.Err(); err != nil {    return err  }  return nil}

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 )

func recognizeHandler(w http.ResponseWriter, r *http.Request, _ httprouter.Params) {  // Read image  imageFile, header, err := r.FormFile("image")  // Will contain filename and extension  imageName := strings.Split(header.Filename, ".")  if err != nil {    responseError(w, "Could not read image", http.StatusBadRequest)    return  }  defer imageFile.Close()  var imageBuffer bytes.Buffer  // Copy image data to a buffer  io.Copy(&imageBuffer, imageFile)  // ...  tensor, err := makeTensorFromImage(&imageBuffer, imageName[:1][0])  if err != nil {    responseError(w, "Invalid image", http.StatusBadRequest)    return  }  // ...}

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

func makeTensorFromImage(imageBuffer *bytes.Buffer, imageFormat string) (*tf.Tensor, error) {  tensor, err := tf.NewTensor(imageBuffer.String())  if err != nil {    return nil, err  }  graph, input, output, err := makeTransformImageGraph(imageFormat)  if err != nil {    return nil, err  }  session, err := tf.NewSession(graph, nil)  if err != nil {    return nil, err  }  defer session.Close()  normalized, err := session.Run(    map[tf.Output]*tf.Tensor{input: tensor},    []tf.Output{output},    nil)  if err != nil {    return nil, err  }  return normalized[0], nil}

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。

func makeTransformImageGraph(imageFormat string) (graph *tf.Graph, input, output tf.Output, err error) {  const (    H, W  = 224, 224    Mean  = float32(117)    Scale = float32(1)  )  s := op.NewScope()  input = op.Placeholder(s, tf.String)  // Decode PNG or JPEG  var decode tf.Output  if imageFormat == "png" {    decode = op.DecodePng(s, input, op.DecodePngChannels(3))  } else {    decode = op.DecodeJpeg(s, input, op.DecodeJpegChannels(3))  }  // Div and Sub perform (value-Mean)/Scale for each pixel  output = op.Div(s,    op.Sub(s,      // Resize to 224x224 with bilinear interpolation      op.ResizeBilinear(s,        // Create a batch containing a single image        op.ExpandDims(s,          // Use decoded pixel values          op.Cast(s, decode, tf.Float),          op.Const(s.SubScope("make_batch"), int32(0))),        op.Const(s.SubScope("size"), []int32{H, W})),      op.Const(s.SubScope("mean"), Mean)),    op.Const(s.SubScope("scale"), Scale))  graph, err = s.Finalize()  return graph, input, output, err}

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

session, err := tf.NewSession(graph, nil)if err != nil {  log.Fatal(err)}defer session.Close()output, err := session.Run(  map[tf.Output]*tf.Tensor{    graph.Operation("input").Output(0): tensor,  },  []tf.Output{    graph.Operation("output").Output(0),  },  nil)if err != nil {  responseError(w, "Could not run inference", http.StatusInternalServerError)  return}

Testing

func main() {  if err := loadModel(); err != nil {    log.Fatal(err)    return  }  r := httprouter.New()  r.POST("/recognize", recognizeHandler)  err := http.ListenAndServe(":8080", r)  if err != nil {    log.Println(err)    return  }}

$ curl localhost:8080/recognize -F 'image=@../data/IMG_3560.png'{  "filename":"IMG_3000.png",  "labels":[    {"label":"black swan","probability":0.98746836,"Percent":"98.75%"},    {"label":"oystercatcher","probability":0.0040768473,"Percent":"0.41%"},    {"label":"American coot","probability":0.002185003,"Percent":"0.22%"},    {"label":"black stork","probability":0.0011524856,"Percent":"0.12%"},    {"label":"redshank","probability":0.0010183558,"Percent":"0.10%"}]}

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。

扩展阅读:

更多精彩内容扫码关注公众号：