導(dǎo)讀

現(xiàn)在說機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的應(yīng)用只受限于人們的想象力并不夸張。不僅全世界的數(shù)據(jù)科學(xué)家們?yōu)橹?，甚至在日本的農(nóng)場(chǎng)，一位小哥為了減輕媽媽的工作負(fù)擔(dān)，也開始嘗試采用深度學(xué)習(xí)和Tensor Flow種黃瓜。

大約一年前，曾為日本汽車業(yè)內(nèi)一名嵌入式系統(tǒng)設(shè)計(jì)師的MakotoKoike開始在父母的黃瓜種植園幫工。根據(jù)大小形狀顏色和其他屬性來分選黃瓜這件事所需的工作量令他吃驚。

Makoto Koike那一生致力于提供鮮脆黃瓜的父親就很為他那些仍帶有細(xì)刺的扎手黃瓜感到自豪。顏色鮮艷又直又粗并且有許多刺的黃瓜被認(rèn)為是高檔的，可在市場(chǎng)上要價(jià)更高。

但是MakotoKoike很快就了解到分選黃瓜就如把它們種出來一樣難。“每只黃瓜的顏色、形狀、質(zhì)量、新鮮度都不同”，Makato說。

[[178056]]

零售店里和Makoto Koike家農(nóng)場(chǎng)的黃瓜

在日本，每家農(nóng)場(chǎng)都有自己的分類方法，并且沒有行業(yè)標(biāo)準(zhǔn)。MakotoKoike家農(nóng)場(chǎng)把黃瓜分為9個(gè)不同的等級(jí)，由他媽媽親自分選所有黃瓜，——這在收獲的峰季是最高每天8小時(shí)的工作量。

“分選工作不是一項(xiàng)簡(jiǎn)單易學(xué)的任務(wù)。你不只要看它的大小粗細(xì)，還要看顏色質(zhì)地，有沒有小的劃痕，是不是奇形怪狀，有沒有刺。這些需要好幾個(gè)月才能學(xué)會(huì)，所以在最忙的時(shí)節(jié)雇臨時(shí)工行不通。我自己也是最近才學(xué)得能把這些黃瓜分選好”，Makoto說到。

歪歪扭扭的黃瓜被評(píng)為次品

市面上也有(黃瓜)自動(dòng)分選機(jī)，但在性能和費(fèi)用方面都有局限，所以小型農(nóng)場(chǎng)不大會(huì)用它們。

Makoto認(rèn)為分選黃瓜不是瓜農(nóng)的一項(xiàng)重要任務(wù)。“瓜農(nóng)希望把注意力和功夫花在培養(yǎng)可口蔬菜上。我想在接手父母的農(nóng)場(chǎng)生意之前把分選工作自動(dòng)化。”

[[178058]]

[[178059]]

Makoto Koike(中間)和他的父母在自家黃瓜農(nóng)場(chǎng)

深度學(xué)習(xí)的眾多用途

Makoto試用機(jī)器學(xué)習(xí)來分選黃瓜的創(chuàng)意最初來自一個(gè)完全不同的應(yīng)用實(shí)例：谷歌阿爾法狗與世界頂尖職業(yè)圍棋手對(duì)弈。

“當(dāng)我看到谷歌的阿爾法狗，我意識(shí)到這里確實(shí)在發(fā)生一些很嚴(yán)肅的事情，”Makoto說，“這觸發(fā)我開始開發(fā)帶有深度學(xué)習(xí)技術(shù)的黃瓜分選機(jī)。”

深度學(xué)習(xí)用于圖像識(shí)別，允許電腦從訓(xùn)練數(shù)據(jù)集中學(xué)習(xí)到什么是圖像的重要“特征”。使用大量的人工神經(jīng)元分層，深度學(xué)習(xí)可以高精度地自動(dòng)分類圖像。因此神經(jīng)網(wǎng)絡(luò)可以從圖像中識(shí)別出不同種類的貓，或是不同型號(hào)的汽車和飛機(jī)。神經(jīng)網(wǎng)絡(luò)有時(shí)會(huì)在特定應(yīng)用中超過人眼的表現(xiàn)。(如需更多信息，請(qǐng)看我過去的博客文章Understanding neuralnetworks with TensorFlow Playground.)

TensorFlow將深度學(xué)習(xí)的權(quán)力民主化

但是計(jì)算機(jī)是否真能學(xué)會(huì)媽媽的黃瓜分選技藝?Makoto開始著手使用谷歌的開源機(jī)器學(xué)習(xí)庫TensorFlow來看看自己能不能用深度學(xué)習(xí)技術(shù)來進(jìn)行分選。

“谷歌剛剛開源了TensorFlow，所以我就開始把它試用于我的黃瓜圖像上，”Makoto說。“這是我第一次嘗試機(jī)器學(xué)習(xí)或是深度學(xué)習(xí)技術(shù)，馬上就得到高過預(yù)期的準(zhǔn)確度。那給了我信心：它能解決我的問題。”

有了TensorFlow，你不需要知道施用深度神經(jīng)網(wǎng)絡(luò)所需的高階數(shù)學(xué)模型和優(yōu)化算法。只要下載示例代碼并閱讀教程，你可以馬上就可以開始用它。TensorFlow顯著降低了機(jī)器學(xué)習(xí)的門檻，自從谷歌于去年11月開源了這個(gè)程序庫，許多“非機(jī)器學(xué)習(xí)”的工程師已經(jīng)開始通過他們自有的數(shù)據(jù)和應(yīng)用來擺弄這項(xiàng)技術(shù)。

黃瓜分選系統(tǒng)的設(shè)計(jì)

下圖是Makoto設(shè)計(jì)的黃瓜分選機(jī)的系統(tǒng)圖解。該系統(tǒng)以Raspberry Pi 3為主控制器用一架相機(jī)為每根黃瓜拍照。在最初階段，系統(tǒng)在TensorFlow上運(yùn)行小規(guī)模的神經(jīng)網(wǎng)絡(luò)來檢測(cè)這是否是黃瓜的照片。系統(tǒng)接下來將這張照片轉(zhuǎn)發(fā)至Linux服務(wù)器上的一個(gè)更大的TensorFlow神經(jīng)網(wǎng)絡(luò)執(zhí)行更加精細(xì)的分類。

黃瓜分選機(jī)的系統(tǒng)圖解

Makoto 采用了名為DeepMNIST for Experts的TensorFlow示例代碼，經(jīng)過一些對(duì)卷積層，池化層和最后一層的微調(diào)后，改變網(wǎng)絡(luò)設(shè)計(jì)以適應(yīng)黃瓜圖像的像素格式和黃瓜分選的等級(jí)數(shù)。

下圖是Makoto的黃瓜分選機(jī)，已于七月投入使用。

[[178061]]

下圖是分選臂以及相機(jī)接口的特寫鏡頭。

[[178062]]

挑戰(zhàn)深度學(xué)習(xí)的極限

深度學(xué)習(xí)目前面臨的挑戰(zhàn)之一是它需要大量的訓(xùn)練數(shù)據(jù)。為了訓(xùn)練模型，Makoto花了大約三個(gè)月時(shí)間，拍攝了7000張他母親所分選的黃瓜的照片，但這恐怕還是不夠。

“當(dāng)我用測(cè)試圖像進(jìn)行驗(yàn)證時(shí)，識(shí)別準(zhǔn)確度超過95%。但如果在實(shí)際操作中運(yùn)用這個(gè)系統(tǒng)，準(zhǔn)確度就會(huì)下降到70%左右。我懷疑神經(jīng)網(wǎng)絡(luò)模型由于訓(xùn)練圖像的數(shù)量不夠，存在“過度擬合”的問題(神經(jīng)網(wǎng)絡(luò)中的現(xiàn)象：模型被訓(xùn)練得只適于少量的訓(xùn)練數(shù)據(jù))。”

深度學(xué)習(xí)的第二個(gè)挑戰(zhàn)是它消耗大量的運(yùn)算容量?，F(xiàn)在這架分選機(jī)用一臺(tái)普通的Windows臺(tái)式電腦來訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型。盡管它將黃瓜的照片轉(zhuǎn)成80*80像素的低分辨率圖像，但對(duì)基于7000張照片的模型，它仍需2-3天時(shí)間來完成訓(xùn)練。

“即使處理這樣低像素的圖像，這個(gè)系統(tǒng)也只能根據(jù)黃瓜的形狀、長度和彎度來將其分類。它不能識(shí)別色澤、紋理、劃痕和刺”，Makoto解釋道。提高像素來放大黃瓜的圖像可以提高準(zhǔn)確度，但訓(xùn)練所需時(shí)間也將大大增加。

為了改進(jìn)深度學(xué)習(xí)，一些大公司已經(jīng)開始進(jìn)行大規(guī)模分布式訓(xùn)練，但那些服務(wù)器往往需要巨額成本。谷歌推出了云機(jī)器學(xué)習(xí)(CloudML)這個(gè)用于訓(xùn)練和預(yù)測(cè)的低成本云平臺(tái)，它可以投入數(shù)以百計(jì)的云服務(wù)器來使用TensorFlow訓(xùn)練神經(jīng)網(wǎng)絡(luò)。在Could ML平臺(tái)上，谷歌會(huì)來搭建用于分布式訓(xùn)練的大規(guī)模集群，而你只需購買你要用到的，這讓開發(fā)者們可以更容易地試用深度學(xué)習(xí)而無需大量資本投資。

[[178063]]

這些專用服務(wù)器曾被用于阿爾法狗的比賽

Makoto對(duì)CloudML充滿期待。“我可以在Cloud ML上使用更高分辨率的圖像和更多的訓(xùn)練數(shù)據(jù)來訓(xùn)練模型。我還可以試著改變神經(jīng)網(wǎng)絡(luò)的各種設(shè)置、參數(shù)和算法來看看這些如何提高準(zhǔn)確度。我已經(jīng)迫不及待地想試用了。”

來源：https://cloud.google.com/blog/big-data/2016/08/how-a-japanese-cucumber-farmer-is-using-deep-learning-and-tensorflow

【本文是51CTO專欄機(jī)構(gòu)大數(shù)據(jù)文摘的原創(chuàng)譯文，微信公眾號(hào)“大數(shù)據(jù)文摘（ id: BigDataDigest）”】