本文为 AI 研习社编译的技术博客，原标题 Tensorflow Vs Keras? — Comparison by building a model for image classification，作者为DataTurks: Data Annotations Made Super Easy。

翻译 | shunshun    整理 |  凡江

是的，标题中的问题在数据科学家之间的谈话中是很常见。有人说TensorFlow更好，有人说Keras更好。让我们看看这个问题在图像分类的实际应用中的答案。

在此之前，先介绍Keras和Tensorflow这两个术语，帮助你在10分钟内构建强大的图像分类器。

Tensorflow:

Tensorflow是开发深度学习模型最常用的库。它是有史以来最好的库，在日常实验中被许多极客选择。如果我说Google已经将Tensor Processing Units（TPU）用于处理张量，你能想象吗？是的，他们已经这样做了。他们提出了一个名为TPU的独立实例，它具有最强大的功率驱动计算能力来处理tensorflow的深度学习模型。

是时候做一个了！

我现在将帮助你使用tensorflow创建一个功能强大的图像分类器。等等！什么是分类器？这只是一个简单的问题，你向你的tensorflow代码询问，给定的图像是玫瑰还是郁金香。所以，首先的首先，让我们在机器上安装tensorflow。官方文档有两个版本，即CPU和GPU版本。对于CPU版本：

请注意，我是在GPU上而非CPU上进行实验后才写的这篇博客。这里给出了详细的GPU安装。  

现在，让我们采用Google的Tensorflow进行实验来训练模型。谷歌的这个仓库有许多令人惊叹的处理图像的简单实验的脚本。它非常简洁，足以满足我们的目的。还记得前面我用过“强大”这个词吗？是的，当我们使用称为迁移学习的方法时，这个词就会生效。迁移学习是一种有效的方式，它使用预训练模型，这些模型已经训练了几天或几周，然后改变最后一层以适应我们自己的类别。

Inception V3是一个非常好的模型，在[2015 ImageNet Challenge](http://image-net.org/challenges/LSVRC/2015/results)图像分类竞赛中排名第二。当数据集的每个类别具有较少图像数量时，它被提及为迁移学习的最佳网络。

 Inception V3

现在克隆git仓库：

现在，你可以选择图像。你所要做的就是以下面的方式存储数据集文件夹。

  FLOWER DATA

它看起来应该像上面图那样（忽略image.py）。通过下面代码获得flower_photos文件夹：

创建数据

你可以使用任何你喜欢的图像。越多越好（目标是几千）。向上面文件夹格式那样以类别将它们分开，并确保它们在一个名为tf_files的文件夹中。

你可以下载已经存在的有多种任务使用的数据集，如癌症检测，权力的游戏中的人物分类。这里有各种图像分类数据集。

或者，如果你有自己独特的用例，则可以为其创建自己的数据集。你可以从网上下载图像并立即制作大型数据集，使用像Dataturks这样的注释工具，你可以手动上传图像并标记图像。更好的是，Dataturks的输出可以很容易地用于构建tf_files。

                             使用Dataturks创建数据

我发现了一个很棒的插件，可以在Google Chrome上批量下载图像。这个和Dataturks将使构建训练数据变得轻而易举。链接在这里。

您可以尝试使用dataturks的image_classification工具执行此操作。这里该工具提供的最佳功能是，如果我们有一个非结构化数据集，其中所有图像都在一个文件夹中。通过手动标记图像的类别，你可以下载一个json文件，该文件包含嵌入其中的类的图像的所有详细信息。然后使用下面给出的keras和tensorflow脚本：

训练

现在是时候训练模型了。在tensorflow-for-poets-2文件夹中，有一个名为scripts的文件夹，它包含重新训练模型所需的一切。retrain.py有一种特殊的裁剪和缩放图像的方式，非常酷。

 然后使用以下命令训练,选项名称本身描述所需的训练路径的位置。

这将下载inception模型并使用training文件夹和给定的参数训练最后一层。我使用12GB Nvidia Tesla k80和7GB Vram在GCP实例上训练了4000步。

作者：AI研习社
链接：https://www.jianshu.com/p/d139dccdaacb