本文是机器学习入门的第六节，文中将教大家如何训练图像分类器，只需要图像目录就可以完成，比如说你构建一个分类器，来区分霸王龙和三角龙的图片，
或者你想区分莫奈和毕加索的画
为了做到以上功能，我们来做个代码实验，叫做tensorflow for poets。
这是开始学习做图片分类相关工作的一个好办法，现在有两件事，这个实验非常高级，为了训练我们的分类器，我们只要运行几个脚本，令人印象深刻的是，分类器所创造的，要比我几年前写的脚本好，我之后会向你展示代码实验室的运行状态时是什么样子的，我会添加上下文和背景，来解释为什么它好。
要通过tensorflow for pets训练一个图像分类器，我们只需要提供一样东西，训练数据，也就是一个有很多图像的图像目录，我的计划是创造一个可以区分五种不同花的图片分类器，玫瑰，太阳花等等。
这就是我的训练数据，注意我有5个目录，
每一种花都有一个目录，每个目录中都有很多图片，
我用花举例的原因是，我们在编码实验室中提供了这组数据，因为你可以很快上手，（网址：https://codelabs.developers.google.com/codelabs/tensorflow-for-poets/#0），如果你想使用自己的图片，关于恐龙的图片或者名画，你只需要创建一个目录，把网上找到的图片放在相应的目录中，每个目录大约有一百张图片。
我们有了训练数据后，我们就可以开始训练分类器了，我们会使用tensorflow来做这一步，tensorflow是一个开源的机器学习库，当他和深度学习机一起使用时他会变得非常有用，深度学习是最近几年发展迅猛，尤其是图像分类领域，也就是我们今天所要做的事情。在第一篇文章中，我们学习到决策树分类器（https://zhuanlan.zhihu.com/p/58797836），如何区分苹果和橘子的不同，我们发现手动做这个工作是不可能的，因为世界上有太多不同的苹果和橘子
现在我们也知道，分类器把特征作为输入，我们很难用代码，把有用的信息从图像中提取出来，比如，你不会去写一个可以探测一片水果质地的代码，为了解决这个问题，我们使用深度学习，因为在图像处理方面，他有巨大的优势，他就是这个你不用手动提取特征（机器学习中你需要自己去提取特征），你可以用使用图像中像素作为特性，分类器会解决其余问题。
为了区分我们训练素材的不同，让我们把莺尾花数据集和图像目录做比较，在莺尾花数据集中
每一列都描述花的一个特征，你可以想象我们呢是手动提取这些特征的，比如我们是用尺子来量花朵，相比之下，这是我们的训练数据：
在tensorflow for poets中，上图就是一个标记好的图片清单，图片分类器仅仅是一个函数，f(x)=y,在这里，x是一个2d的图像像素矩阵，y是玫瑰标签，当我们说深度学习时，我们使用的分类器叫做神经网络，从本质上来讲，这仅仅是另一类分类器，也就是跟上一次的记录相比最接近的一次，
区别在于神经网络，可以学习很多复杂的函数，在这个编码实验室里，tensorflow for poets幕后为你负责准备并训练编码神经网络，这并不意味着tensorflow的编码，要比我们目前看到的更加难写，事实上我很喜欢tensorflow的程序方法，是使用tf learn，tflearn是一个高级机器学习库，比tensorflow更加高级，语法类似scikit-learn，与我们目前学习的相似，下面是一个编码片段，
classifier=learn.DNNClassifier(hidden_units=[10,20,10],n_classes=3)
上面代码告诉我们如何引入神经网络，
classifier.fit(x_train,y_train,steps=200)
score=metrics.accuracy_score(y_test,classifier.predict(x_test))
fit告诉我们如何训练它，利用它来对新数据进行分类，你可以利用上面代码做到这一点。
下面我们来学习tensorflow库，我们先运行这段代码
python -m scripts.retrain \
–bottleneck_dir=tf_files/bottlenecks \
–model_dir=tf_files/models/”${ARCHITECTURE}” \
–summaries_dir=tf_files/training_summaries/”${ARCHITECTURE}” \
–output_graph=tf_files/retrained_graph.pb \
–output_labels=tf_files/retrained_labels.txt \
–architecture=”${ARCHITECTURE}” \
–image_dir=tf_files/flower_photos
（https://codelabs.developers.google.com/codelabs/tensorflow-for-poets/index.html?index=..%2F..index#3）
在代码实验室中有所有详细的信息，我会对两件事交代一下背景，也许你会想知道，首先脚本要运行大约20分钟来训练分类器，tensorflow不是从零开始训练分类器，他是从一个现有的叫做inception 的分类器开始训练的，inception是谷歌最好的图像分类器之一，并且它是开源的，在我们的训练数据中有几千张图片时，inception已经在一个有八个gpu配置的电脑上训练一千多个种类，一百二十万张图片了，训练inception需要两周的时间，在tensorflow for pets里，我们以inception为基础，然后使用一个叫做再次训练的功能，来调试，使其更好的分辨我们的图像，也让我们从新定义inception之前学习一些参数，这样我们就可以用很少的训练数据，创建一个高精准度的分类器了。
你执行完代码后，有了训练好的分类器后，我们就可以开始测试它了，我从维基百科上，下载一张玫瑰花的图片，使用我们的分类器来预测这是哪一种花，运行后答案正确。
我们分类器仅仅知道我们向他展示的数据图片，所以如果我们让他分类一个图片，比如罗马角斗场，他一定会说这是一种花，我们智能相信置信区域太低了。
训练一个图像分类器，是一个多样性和数量的游戏，多样性就是我们有更多的一种花的不同照片，预测结果才会更准确，如我们的训练器包含红白黄色的玫瑰，也有不同角度拍摄的玫瑰照片，从上活着从下，也有用玫瑰作为背景的图片，数量上我的意思是我们的数据越多我们就会创造更好的分类器，在我这个实验中我的玫瑰文件夹中有几百张图片，这用来训练inception足够了，你可能用更少的图片，不过准确度会降低，
