本文來自AI新媒體量子位（QbitAI）
作者簡介：akshay pai，資料科學工程師，熱愛研究機器學習問題。Source Dexter網站創辦人。
TensorFlow是Google的開源深度學習庫，你可以使用這個架構以及Python程式設計語言，建構大量基于機器學習的應用程式。而且還有很多人把TensorFlow建構的應用程式或者其他架構，開源釋出到GitHub上。
這次跟大家分享一些GitHub上令人驚奇的TensorFlow項目，你可以直接在你的應用中使用，或者根據自身所需進一步予以改進。
如果你已經知道TensorFlow是什麼，以及它是如何工作的，建議直接跳到下一節。如果你對使用Python學習TensorFlow感興趣，網上也有相關的教程可以參考。
這一節内容比較傲适合初學者。如前所述，TensorFlow是一個深度學習庫，使用這一架構，可以用來建構和測試深度神經網絡。
深度學習讓我們能夠以極高的準确性建構複雜的應用程式。圖像、視訊、文本、音頻等領域的問題，都可以通過深度學習解決。TensorFlow可以用于實作前述所有應用。
2015年11月9日，Google正式釋出并開源TensorFlow，目前官方正式版本為TensorFlow 1.2。下面這段視訊，是當年TensorFlow剛釋出時，Google釋出的一個官方介紹短片，Jeff Dean等出鏡講述。
TensorFlow很快成為GitHub上使用者最多的深度學習架構。這個庫之是以如此流行，是因為開發人員可以輕松的用其來搭建、測試和部署機器學習應用。
TensorFlow使用資料流圖，上面是一個TensorFlow的示意圖。我們不用關心這張圖具體代表什麼，但你需要知道，其中的橢圓和正方形代表節點，節點就是一些數學函數，你可以将節點分組形成各種數學計算，并得到輸出。
箭頭代表流動到各個節點的資料。是以TensorFlow也被成為資料流庫。
OK，簡介到此，下面分享四個我非常喜歡的TensorFlow GitHub項目。
這是最酷的TensorFlow GitHub項目之一。神經風格是将一張照片的風格遷移到另一張照片上的過程，同時保留相關的特張。簡單的來說，通過這個項目，你可以使用TensorFlow建立自己的Prisma應用程式。
如上圖所示，把梵高畫作的風格，遷移到一張獅子的照片上，就得到一個星空風格的獅子照片，這就是所謂的風格遷移。下面再展示一組這個項目的風格遷移，能把這張獅子的照片，變成哪些非常有趣的效果。
這個項目在風格遷移的同時，還能對圖像進行語義分割。進而實作對内容的前景、背景進行不同的風格遷移處理。這個過程如下圖所示：
另外這個算法還能适用于視訊處理。
上述圖檔處理使用的軟硬體如下：
CPU: Intel Core [email protected]×12
GPU: NVIDIA GeForce GTX 1080/PCIe/SSE2
OS: Linux Ubuntu 16.04.1 LTS 64-bit
CUDA: 8.0
python: 2.7.12
tensorflow: 0.10.0rc
opencv: 2.4.9.1
https://github.com/cysmith/neural-style-tf
這個GitHub項目使用TensorFlow将語音轉換為文本。語音轉文本是一個熱門的機器學習領域，然而各地的人們有着不同的口音，這也是一個難以解決的問題。不過仍然可以通過深度學習實作非常不錯的準确性。
其實這個項目，是一個基于百度DeepSpeech架構的TensorFlow實作。換句話說，這個項目是百度的核心，Google的外貌。
百度的相關論文位址在此：
https://arxiv.org/abs/1412.5567
DeepSpeech是吳恩達帶領百度團隊研發出的成果，最早釋出于2014年底。今年初，百度基于DeepSpeech2，開發出一款名為SwiftScribe的應用（swiftscribe.ai），可以把語音檔案更為快速、便捷的轉換為文字。目前隻限于英文。
回到這個項目。
所需軟體環境如下：
Git Large File Storage
TensorFlow 1.0 or 1.1
SciPy
PyXDG
python_speech_features (nb: deprecated)
python sox
pandas
DeepSpeech native client libraries
如果你有至少8GB顯存的英偉達GPU，強烈建議安裝支援GPU的TensorFlow，因為使用GPU的訓練比CPU快得多。
https://github.com/mozilla/DeepSpeech
句子分類就是識别句子類型的過程。例如，對于“食物非常糟糕”這個句子，你可能希望将其分類為正面句子或負面句子，這也被稱為情緒分析。這個問題的難點在于：句子結構帶來的複雜性。
利用卷積神經網絡，我們可以嘗試建構一個強大的文本分類器。
這裡介紹的項目，是Yoon Kim論文《Convolutional Neural Networks for Sentence Classification（使用卷積神經網絡進行句子分類）》的簡單實作。這個論文的位址如下：
https://arxiv.org/abs/1408.5882
通過一個簡單的CNN卷積神經網絡，隻進行很少的超參數調整和靜态矢量，就可以得到出色的句子分類結果。
Python 3
Tensorflow > 0.12
Numpy
https://github.com/dennybritz/cnn-text-classification-tf
圖像分類，也就是訓練系統識别貓貓狗狗，或者車道、海灘、天際線等場景。計算機視覺是一個範圍巨大的領域，從面部識别到情感識别，甚至可以進行視覺氣體洩漏檢測。雖然實作流程各異，但底層系統是相通的。
是以作者建立了一個TensorFlow GitHub庫，其中包括兩個互相關聯的部分。第一部分：能夠識别1000個對象的TensorFlow圖像分類器。第二部分：建立并訓練一個全新的圖像分類器。
Google的TensorFlow圖像識别系統是目前最準确的圖像分類軟體。所謂圖像識别，就是對圖檔中的内容進行識别，然而這并非對任意圖檔都能識别。
隻有被訓練過的對象，系統才能識别。例如，我們用三個類型訓練分類器：貓、狗和牛。三個分類器隻能識别相應類别中的一個。如果給出一張駱駝的圖檔會怎樣？圖檔仍會通過一個分類器，但是置信率會非常的低。
如何快速建立一個TensorFlow圖像分類器？隻需要簡單的三步。當然前提是你已經裝好了TensorFlow，而且懂程式設計、會用Python。
第一步：下載下傳
下載下傳預訓練的模型、圖檔和腳本。使用如下指令即可。
第二步：運作腳本找到最佳預測
給定一個圖檔，運作腳本來進行分類。預設情況下，會顯示最佳預測。
為了獲得top n分類，可以使用如下參數。
示例：比方我們給出這樣一張圖檔。
分類器表示：這是石榴，準确率98%。
第三步：運作腳本獲得top n識别分類
現在我們嘗試給出一個具有更多屬性的圖像，如下圖的房子。
從上面的結果可以看出，分類器以95%的可能性預測圖檔中有一個栅欄，另外分類器還發現了其他圍欄、庭院、露台等。
到此為止，你已經學到如何設定TensorFlow圖像識别系統。雖然，這個系統被限制在預訓練模型的幾個分類器之間。
也是三個步驟。
第一步：下載下傳預訓練模型以及所需腳本
我已經把全部所需的檔案整合進一個git倉庫裡。使用下面的指令可以下載下傳。
第二步：設定圖像檔案夾
這個步驟用于設定檔案夾結構，以便資料流圖可以簡單地拾取分類。假設，你想重新訓練五種新的花朵分類器：玫瑰、郁金香、蒲公英、五月花和萬壽菊，那麼需要如下的三個步驟來建立相應的檔案夾結構：
1、為每種花型建立一個檔案夾，檔案夾的名稱就是類型的名稱
2、将花的所有圖像添加到各自的檔案夾中，所有的玫瑰放入玫瑰花檔案夾
3、将所有的檔案夾，添加到一個父檔案夾中，可以命名為：花
然後我們就得到如下的結構：
這樣，檔案夾結構已經OK了。
第三步：運作預訓練腳本
使用如下指令運作腳本。
部分指令行參數：
-model_dir 這個參數給出了預訓練模型的位置。
-image_dir 在步驟二中建立的檔案夾路徑
-output_graph 存儲新訓練圖的位置
-how_many_training_steps 這代表要執行的疊代次數，預設為4000
好了，以上就是如何重新訓練一個TensorFlow Inception模型。一旦你有了模型，就能開始用來進行分類處理。
我希望你們也能體會到上述這些項目的精彩之處。學習一件事最好的方法就是動手去做。如果你還有更值得推薦的TensorFlow GitHub項目，可以留言給我們，讓更多的人看到。今天就先到這裡吧。休息，休息一下~
【完】
本文作者：問耕
原文釋出時間：2017-07-31