TensorFlow發(fā)表推文正式發(fā)布TensorFlow v1.9

TensorFlow 是一個(gè)開放源代碼軟件庫，用于進(jìn)行高性能數(shù)值計(jì)算。借助靈活的架構(gòu)，用戶可以輕松地將計(jì)算工作部署到多種平臺(tái)（CPU、GPU、TPU）和設(shè)備（桌面設(shè)備、服務(wù)器集群、移動(dòng)設(shè)備、邊緣設(shè)備等）。最近在 JS 社區(qū)中，對(duì) TF 中 Java API 相關(guān)項(xiàng)目與技術(shù)的高度需求是前所未有的。

▌TensorFlow v1.9

近日，TensorFlow 發(fā)表推文正式發(fā)布 TensorFlow v1.9 ，大家可以更新各自的代碼啦~~在 TF 的更新文檔中更新了 keras，包括一個(gè)新的基于keras的入門，一個(gè)非常適合初學(xué)者的Jupyter 筆記本，還增加了更多的實(shí)例。

其中有兩個(gè)案例受到了大家的廣泛關(guān)注，這個(gè)項(xiàng)目是通過 Colab 在 tf.keras 中訓(xùn)練模型，并通過TensorFlow.js 在瀏覽器中運(yùn)行；最近在 JS 社區(qū)中，對(duì)這些相關(guān)項(xiàng)目的高度需求是前所未有的。之前人工智能頭條也為大家介紹了一個(gè)在瀏覽器中通過TensorFlow.js 進(jìn)行多人人臉識(shí)別與特征檢測(cè)的項(xiàng)目，也受到大家的廣泛關(guān)注。此外 TensorFlow 還給那些想了解、學(xué)習(xí)相關(guān)項(xiàng)目技術(shù)的關(guān)注者們推出了系列官方教學(xué)視頻。

今天人工智能頭條會(huì)帶領(lǐng)大家學(xué)習(xí)這個(gè)新項(xiàng)目，JS 愛好者和開發(fā)者們不要錯(cuò)過！

另一個(gè)項(xiàng)目是簡單的RNN網(wǎng)絡(luò)生成文本的實(shí)踐，這次作者不僅在GitHub 上分享了源碼，大家還可以利用這次 v1.9 中的筆記本新功能來進(jìn)行端到端的直接運(yùn)行。

在 Google Colab 中看到這個(gè)項(xiàng)目的第一眼，就覺得真的很適合初學(xué)者研究學(xué)習(xí)。左側(cè)可以一目了然地看 “目錄” 與 “代碼段”。

已經(jīng)分解的源碼結(jié)構(gòu)，從安裝、導(dǎo)入需要的工具，到下載讀取數(shù)據(jù)，創(chuàng)建訓(xùn)練模型，最后預(yù)測(cè)模型，只要跟著一步一步來，相信大家都會(huì)學(xué)有所成。

▌TensorFlow v1.9 實(shí)踐

前言

在這個(gè)應(yīng)用中我們將完成通過識(shí)別圖畫來輸出當(dāng)前圖畫的名稱的實(shí)踐。使用 Google Colab 來訓(xùn)練模型，使用 TensorFlow.js 在瀏覽器上進(jìn)行部署，直接在瀏覽器上運(yùn)行。需要注意的一點(diǎn)是，務(wù)必要在測(cè)試 Google Colab 的 notebook 工具：

https://colab.research.google.com/github/zaidalyafeai/zaidalyafeai.github.io/blob/master/sketcher/Sketcher.ipynb

數(shù)據(jù)集

我們將使用 CNN 來識(shí)別不同類型的圖畫。CNN 將在Quick Draw數(shù)據(jù)集上進(jìn)行訓(xùn)練。這個(gè)數(shù)據(jù)集包含了大約5000萬張、345類別的圖畫。

管道

我們將使用 Keras 在 Google Colab 上訓(xùn)練模型，然后通過 TensorFlow.js (tfjs) 在瀏覽器上直接運(yùn)行。下圖向大家展示了這個(gè)項(xiàng)目的管道圖

參考教程：

https://js.tensorflow.org/

https://github.com/tensorflow/tfjs-examples

輸入

我們將使用帶有tensorflow后端的keras：

importosimportglobimportnumpyasnpfromtensorflow.kerasimportlayersfromtensorflowimportkerasimporttensorflowastf

加載數(shù)據(jù)

由于內(nèi)存有限，我們不會(huì)在所有的類別進(jìn)行訓(xùn)練。我們只使用100個(gè)類別的數(shù)據(jù)集。在Google Cloud 的quickdraw_dataset 上每個(gè)類別的數(shù)據(jù)都可以用形狀表示為[N,784]的numpy數(shù)組，其中N是該特定類的的圖像數(shù)量。我們首先下載數(shù)據(jù)集：

importurllib.requestdefdownload():base='https://storage.googleapis.com/quickdraw_dataset/full/numpy_bitmap/'forcinclasses:cls_url=c.replace('_','%20')path=base+cls_url+'.npy'print(path)urllib.request.urlretrieve(path,'data/'+c+'.npy')

由于內(nèi)存有限，因此每個(gè)類只能加載5000個(gè)圖像到內(nèi)存。另外還保留了20%的用于測(cè)試的數(shù)據(jù)。

defload_data(root,vfold_ratio=0.2,max_items_per_class=5000):all_files=glob.glob(os.path.join(root,'*.npy'))#initializevariablesx=np.empty([0,784])y=np.empty([0])class_names=[]#loadasubsetofthedatatomemoryforidx,fileinenumerate(all_files):data=np.load(file)data=data[0:max_items_per_class,:]labels=np.full(data.shape[0],idx)x=np.concatenate((x,data),axis=0)y=np.append(y,labels)class_name,ext=os.path.splitext(os.path.basename(file))class_names.append(class_name)data=Nonelabels=None#separateintotrainingandtestingpermutation=np.random.permutation(y.shape[0])x=x[permutation,:]y=y[permutation]vfold_size=int(x.shape[0]/100*(vfold_ratio*100))x_test=x[0:vfold_size,:]y_test=y[0:vfold_size]x_train=x[vfold_size:x.shape[0],:]y_train=y[vfold_size:y.shape[0]]returnx_train,y_train,x_test,y_test,class_names

預(yù)處理數(shù)據(jù)

我們對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，為訓(xùn)練做準(zhǔn)備。該模型將采用 [N, 28, 28, 1] 批次并輸出為[N, 100]的概率。

#Reshapeandnormalizex_train=x_train.reshape(x_train.shape[0],image_size,image_size,1).astype('float32')x_test=x_test.reshape(x_test.shape[0],image_size,image_size,1).astype('float32')x_train/=255.0x_test/=255.0#Convertclassvectorstoclassmatricesy_train=keras.utils.to_categorical(y_train,num_classes)y_test=keras.utils.to_categorical(y_test,num_classes)

創(chuàng)建模型

我們將創(chuàng)建一個(gè)簡單的CNN。參數(shù)數(shù)量越少，模型就越簡單越好。因?yàn)槲覀兪窃跒g覽器上進(jìn)行轉(zhuǎn)換后運(yùn)行模型，并且希望模型能夠快速運(yùn)行以便進(jìn)行預(yù)測(cè)。下面模型包含了3個(gè)conv層和2個(gè)dense層。

#Definemodelmodel=keras.Sequential()model.add(layers.Convolution2D(16,(3,3),padding='same',input_shape=x_train.shape[1:],activation='relu'))model.add(layers.MaxPooling2D(pool_size=(2,2)))model.add(layers.Convolution2D(32,(3,3),padding='same',activation='relu'))model.add(layers.MaxPooling2D(pool_size=(2,2)))model.add(layers.Convolution2D(64,(3,3),padding='same',activation='relu'))model.add(layers.MaxPooling2D(pool_size=(2,2)))model.add(layers.Flatten())model.add(layers.Dense(128,activation='relu'))model.add(layers.Dense(100,activation='softmax'))#Trainmodeladam=tf.train.AdamOptimizer()model.compile(loss='categorical_crossentropy',optimizer=adam,metrics=['top_k_categorical_accuracy'])print(model.summary())

適配、驗(yàn)證和測(cè)試

在此之后，我們對(duì)模型進(jìn)行了5個(gè)輪數(shù)和256個(gè)批次的訓(xùn)練，并進(jìn)行了10%的驗(yàn)證劃分：

#fitthemodelmodel.fit(x=x_train,y=y_train,validation_split=0.1,batch_size=256,verbose=2,epochs=5)#evaluateonunseendatascore=model.evaluate(x_test,y_test,verbose=0)print('Testaccuarcy:{:0.2f}%'.format(score[1]*100))viewraw

訓(xùn)練的結(jié)果如下圖所示：

測(cè)試準(zhǔn)確率中第5個(gè)準(zhǔn)確率為92.20%。

為Web格式準(zhǔn)備模型

在我們對(duì)模型的準(zhǔn)確率感到滿意之后，我們將其保存并準(zhǔn)備進(jìn)行轉(zhuǎn)換：

model.save('keras.h5')

安裝tfjs包進(jìn)行轉(zhuǎn)換：

!pipinstalltensorflowjs

然后轉(zhuǎn)換模型：

!mkdirmodel!tensorflowjs_converter--input_formatkeraskeras.h5model/

創(chuàng)建了一些權(quán)重文件和包含模型體系結(jié)構(gòu)的json文件。

壓縮模型，準(zhǔn)備將其下載到我們的本地計(jì)算機(jī)中：

!zip-rmodel.zipmodel

最后下載模型：

fromgoogle.colabimportfilesfiles.download('model.zip')

下面將展示如何加載模型并進(jìn)行推理。假設(shè)我們有一個(gè)300x300大小的畫布。

加載模型

要使用TensorFlow.js，請(qǐng)首先運(yùn)行以下腳本：

注意：需要在本地計(jì)算機(jī)上運(yùn)行服務(wù)器，

然后，使用瀏覽器加載模型（await關(guān)鍵字用于等待瀏覽器加載模型）

model=awaittf.loadModel('model/model.json')viewraw

預(yù)處理

在做預(yù)測(cè)之前，我們需要先對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。首先從畫布中獲取圖像數(shù)據(jù)變量dpi用于根據(jù)屏幕像素的密度對(duì)畫布進(jìn)行拉伸。

//theminimumboudningboxaroundthecurrentdrawingconstmbb=getMinBox()//cacluatethedpiofthecurrentwindowconstdpi=window.devicePixelRatio//extracttheimagedataconstimgData=canvas.contextContainer.getImageData(mbb.min.x*dpi,mbb.min.y*dpi,(mbb.max.x-mbb.min.x)*dpi,(mbb.max.y-mbb.min.y)*dpi);

我們將畫布當(dāng)前的圖像數(shù)據(jù)轉(zhuǎn)換為一個(gè)張量，調(diào)整大小并進(jìn)行規(guī)范化。

functionpreprocess(imgData){returntf.tidy(()=>{//converttheimagedatatoatensorlettensor=tf.fromPixels(imgData,numChannels=1)//resizeto28x28constresized=tf.image.resizeBilinear(tensor,[28,28]).toFloat()//Normalizetheimageconstoffset=tf.scalar(255.0);constnormalized=tf.scalar(1.0).sub(resized.div(offset));//Weaddadimensiontogetabatchshapeconstbatched=normalized.expandDims(0)returnbatched})}

對(duì)于預(yù)測(cè)，我們使用model.predict，這將返回形狀的概率[N, 100]：

constpred=model.predict(preprocess(imgData)).dataSync()

然后我們可以用簡單的函數(shù)來求前5個(gè)概率。

提高準(zhǔn)確率

記住，我們的模型接受形狀[N, 28, 28,1]的張量，繪圖畫布大小為300x300，對(duì)于繪圖來說，可能需要兩個(gè)大的用于繪圖，或者可能需要用戶繪制小一些的圖。最好只裁剪包含當(dāng)前圖畫的框。為了做到這一點(diǎn)，我們通過查找左上角和右下角來提取繪圖周圍的最小邊界框：

//recordthecurrentdrawingcoordinatesfunctionrecordCoor(event){//getcurrentmousecoordinatevarpointer=canvas.getPointer(event.e);varposX=pointer.x;varposY=pointer.y;//recordthepointifwithingthecanvasandthemouseispressedif(posX>=0&&posY>=0&&mousePressed){coords.push(pointer)}}//getthebestboundingboxbyfindingthetopleftandbottomrightcorndersfunctiongetMinBox(){varcoorX=coords.map(function(p){returnp.x});varcoorY=coords.map(function(p){returnp.y});//findtopleftcornervarmin_coords={x:Math.min.apply(null,coorX),y:Math.min.apply(null,coorY)}//findrightbottomcornervarmax_coords={x:Math.max.apply(null,coorX),y:Math.max.apply(null,coorY)}return{min:min_coords,max:max_coords}}

測(cè)試?yán)L圖

下圖展示了一些第一次繪圖和最高百分比級(jí)別。所有的圖畫都是我用鼠標(biāo)繪制的。如果用一支電腦繪圖筆可以獲得更好的準(zhǔn)確率：