入门项目：图像分类/物体识别
图像分类，也就是训练系统识别猫猫狗狗，或者车道、海滩、天际线等场景。计算机视觉是一个范围巨大的领域，从面部识别到情感识别，甚至可以进行视觉气体泄漏检测。虽然实现流程各异，但底层系统是相通的。
有作者创建了一个TensorFlow GitHub库，其中包括两个相互关联的部分。第一部分：能够识别1000个对象的TensorFlow图像分类器。第二部分：创建并训练一个全新的图像分类器。
Google的TensorFlow图像识别系统是目前最准确的图像分类软件。所谓图像识别，就是对图片中的内容进行识别，然而这并非对任意图片都能识别。
只有被训练过的对象，系统才能识别。例如，我们用三个类型训练分类器：猫、狗和牛。三个分类器只能识别相应类别中的一个。如果给出一张骆驼的图片会怎样？图片仍会通过一个分类器，但是置信率会非常的低。
如何快速创建一个TensorFlow图像分类器？只需要简单的三步。当然前提是你已经装好了TensorFlow，而且懂编程、会用Python。
第一步：下载
下载预训练的模型、图片和脚本。使用如下命令即可。
git clone https://github.com/akshaypai/tfClassifiercd tfClassifier
第二步：运行脚本找到最佳预测
给定一个图片，运行脚本来进行分类。默认情况下，会显示最佳预测。
Python classifier.py --image_file file_path_to_image
为了获得top n分类，可以使用如下参数。
Python classifier.py --image_file file_path_to_image --num_top_predictions number_of_top_results
示例：比方我们给出这样一张图片。
python classifier.py --image_file ~/Pictures/fruit.jpgpomegranate (score = 0.98216)
分类器表示：这是石榴，准确率98%。
第三步：运行脚本获得top n识别分类
现在我们尝试给出一个具有更多属性的图像，如下图的房子。
python classifier.py --image_file ~/Pictures/house.jpg --num_top_predictions 5picket fence, paling (score = 0.95750)worm fence, snake fence, snake-rail fence, Virginia fence (score = 0.03615)beacon, lighthouse, beacon light, pharos (score = 0.00018)boathouse (score = 0.00013)patio, terrace (score = 0.00007)
从上面的结果可以看出，分类器以95%的可能性预测图片中有一个栅栏，另外分类器还发现了其他围栏、庭院、露台等。
到此为止，你已经学到如何设置TensorFlow图像识别系统。虽然，这个系统被限制在预训练模型的几个分类器之间。
那么我们接下来看看第二部分，如何增加一些新的分类器。
也是三个步骤。
第一步：下载预训练模型以及所需脚本
我已经把全部所需的文件整合进一个git仓库里。使用下面的命令可以下载。
git clone https://github.com/akshaypai/tfClassifiercd tfClassifier
第二步：设置图像文件夹
这个步骤用于设置文件夹结构，以便数据流图可以简单地拾取分类。假设，你想重新训练五种新的花朵分类器：玫瑰、郁金香、蒲公英、五月花和万寿菊，那么需要如下的三个步骤来创建相应的文件夹结构：
1、为每种花型创建一个文件夹，文件夹的名称就是类型的名称
2、将花的所有图像添加到各自的文件夹中，所有的玫瑰放入玫瑰花文件夹
3、将所有的文件夹，添加到一个父文件夹中，可以命名为：花
然后我们就得到如下的结构：
~/flowers~/flowers/roses/img1.jpg~/flowers/roses/img2.jpg...~/flowers/tulips/tulips_img1.jpg~/flowers/tulips/tulips_img2.jpg~/flowers/tulips/tulips_img3.jpg...
这样，文件夹结构已经OK了。
第三步：运行预训练脚本
使用如下命令运行脚本。
python retrain.py --model_dir ./inception --image_dir ~/flowers --output_graph ./output --how_many_training_steps 500
部分命令行参数：
-model_dir这个参数给出了预训练模型的位置。
-image_dir在步骤二中创建的文件夹路径
-output_graph存储新训练图的位置
-how_many_training_steps这代表要执行的迭代次数，默认为4000
以上就是如何重新训练一个TensorFlow Inception模型。一旦你有了模型，就能开始用来进行分类处理。