Makoto Koike對(duì)TensorFlow如何學(xué)會(huì)了他這個(gè)黃瓜種植戶的黃瓜選擇和分類原則進(jìn)行了。這個(gè)話題在Hacker News上被斥為谷歌的市場(chǎng)營(yíng)銷，而在其他地方則被當(dāng)成是深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)日益流行的案例。TensorFlow的學(xué)習(xí)結(jié)果大大超出了預(yù)期。選擇和分類通常是一個(gè)非常耗時(shí)的過(guò)程，在收獲的高峰季節(jié)，臨時(shí)員工都無(wú)法在短期內(nèi)學(xué)會(huì)，這經(jīng)常導(dǎo)致Koike一家根據(jù)若干屬性花費(fèi)大量的時(shí)間對(duì)黃瓜進(jìn)行仔細(xì)的整理和分類。

Koike使用了由其家庭成員耗時(shí)三個(gè)月分類完成的7000張黃瓜圖片作為訓(xùn)練數(shù)據(jù)集。在對(duì)該神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試時(shí)，他通過(guò)Raspberry Pi控制圖像數(shù)據(jù)的獲取，供經(jīng)過(guò)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)處理。在實(shí)驗(yàn)組（其中的圖像數(shù)據(jù)不包含在訓(xùn)練集中）上，該網(wǎng)絡(luò)的成功率達(dá)到了70%到90%。CUCUMBER-9庫(kù)提供了訓(xùn)練數(shù)據(jù)集。據(jù)報(bào)道，TensorFlow python api的代碼實(shí)現(xiàn)是由TensorFlow Deep MNIST for Experts提供的示例代碼修改而來(lái)。這篇文章沒(méi)有具體說(shuō)明Koike訓(xùn)練模型時(shí)使用的計(jì)算概要文件，也沒(méi)有實(shí)際演示經(jīng)過(guò)訓(xùn)練的網(wǎng)絡(luò)。對(duì)于該模型的效率和準(zhǔn)確率，Koike表示：

在我對(duì)測(cè)試圖片進(jìn)行驗(yàn)證時(shí)，識(shí)別準(zhǔn)確率超過(guò)了95%。但如果把這個(gè)系統(tǒng)應(yīng)用在真實(shí)的場(chǎng)景中，準(zhǔn)確率降低到大約70%。我懷疑神經(jīng)網(wǎng)絡(luò)模型因?yàn)橛?xùn)練圖片數(shù)量不足產(chǎn)生了“過(guò)擬合”問(wèn)題（這是神經(jīng)網(wǎng)絡(luò)中的一個(gè)現(xiàn)象，經(jīng)過(guò)訓(xùn)練的模型只適合小規(guī)模的訓(xùn)練集）。

分類問(wèn)題符合良好深度學(xué)習(xí)對(duì)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(jué)和經(jīng)驗(yàn)驅(qū)動(dòng)的分類，那通常很難使用語(yǔ)言簡(jiǎn)單地描述出來(lái)，需要豐富的經(jīng)驗(yàn)才能做好。Koike詳細(xì)闡述了這個(gè)話題，他指出：

分類工作不是一項(xiàng)容易學(xué)習(xí)的任務(wù)。你不只要考慮大小和粗細(xì)，還要考慮顏色、紋理、小劃痕，是直是彎，是否多刺。這需要花費(fèi)幾個(gè)月的時(shí)間來(lái)學(xué)習(xí)，你不能只在最忙的時(shí)候雇用兼職人員。我自己都是最近才學(xué)會(huì)如何把黃瓜整理好。

對(duì)于當(dāng)前的原型，擴(kuò)展性和計(jì)算時(shí)間是Koike面臨的一項(xiàng)挑戰(zhàn)，即使將圖片轉(zhuǎn)換成低分辨率（80x80）的圖片，該訓(xùn)練模型仍然需要兩到三天的時(shí)間處理那個(gè)包含7000張圖片的訓(xùn)練數(shù)據(jù)集。雖然Koike表示感興趣，但他還沒(méi)有在Google Cloud ML上執(zhí)行訓(xùn)練。那是谷歌推出的一個(gè)用于分布式TensorFlow訓(xùn)練的大規(guī)模集群。他還指出，他尚未對(duì)不同參數(shù)、配置和算法的組合進(jìn)行測(cè)試。

查看英文原文：TensorFlow Learns Cucumber Selection and Classification