Makoto Koike對TensorFlow如何學會了他這個黃瓜種植戶的黃瓜選擇和分類原則進行了。這個話題在Hacker News上被斥為谷歌的市場營銷，而在其他地方則被當成是深度學習、神經網絡和機器學習日益流行的案例。TensorFlow的學習結果大大超出了預期。選擇和分類通常是一個非常耗時的過程，在收獲的高峰季節(jié)，臨時員工都無法在短期內學會，這經常導致Koike一家根據(jù)若干屬性花費大量的時間對黃瓜進行仔細的整理和分類。
Koike使用了由其家庭成員耗時三個月分類完成的7000張黃瓜圖片作為訓練數(shù)據(jù)集。在對該神經網絡進行測試時，他通過Raspberry Pi控制圖像數(shù)據(jù)的獲取，供經過訓練的神經網絡處理。在實驗組（其中的圖像數(shù)據(jù)不包含在訓練集中）上，該網絡的成功率達到了70%到90%。CUCUMBER-9庫提供了訓練數(shù)據(jù)集。據(jù)報道，TensorFlow python api的代碼實現(xiàn)是由TensorFlow Deep MNIST for Experts提供的示例代碼修改而來。這篇文章沒有具體說明Koike訓練模型時使用的計算概要文件，也沒有實際演示經過訓練的網絡。對于該模型的效率和準確率，Koike表示：
在我對測試圖片進行驗證時，識別準確率超過了95%。但如果把這個系統(tǒng)應用在真實的場景中，準確率降低到大約70%。我懷疑神經網絡模型因為訓練圖片數(shù)量不足產生了“過擬合”問題（這是神經網絡中的一個現(xiàn)象，經過訓練的模型只適合小規(guī)模的訓練集）。
分類問題符合良好深度學習對象的一般模式；圖像屬于“我看到它就知道它”的類別，或者是直覺和經驗驅動的分類，那通常很難使用語言簡單地描述出來，需要豐富的經驗才能做好。Koike詳細闡述了這個話題，他指出：
分類工作不是一項容易學習的任務。你不只要考慮大小和粗細，還要考慮顏色、紋理、小劃痕，是直是彎，是否多刺。這需要花費幾個月的時間來學習，你不能只在最忙的時候雇用兼職人員。我自己都是最近才學會如何把黃瓜整理好。
對于當前的原型，擴展性和計算時間是Koike面臨的一項挑戰(zhàn)，即使將圖片轉換成低分辨率（80x80）的圖片，該訓練模型仍然需要兩到三天的時間處理那個包含7000張圖片的訓練數(shù)據(jù)集。雖然Koike表示感興趣，但他還沒有在Google Cloud ML上執(zhí)行訓練。那是谷歌推出的一個用于分布式TensorFlow訓練的大規(guī)模集群。他還指出，他尚未對不同參數(shù)、配置和算法的組合進行測試。
查看英文原文：TensorFlow Learns Cucumber Selection and Classification
京公網安備 11010502049343號