Makoto Koike对TensorFlow如何学会了他这个黄瓜种植户的黄瓜选择和分类原则进行了。这个话题在Hacker News上被斥为谷歌的市场营销，而在其他地方则被当成是深度学习、神经网络和机器学习日益流行的案例。TensorFlow的学习结果大大超出了预期。选择和分类通常是一个非常耗时的过程，在收获的高峰季节，临时员工都无法在短期内学会，这经常导致Koike一家根据若干属性花费大量的时间对黄瓜进行仔细的整理和分类。
Koike使用了由其家庭成员耗时三个月分类完成的7000张黄瓜图片作为训练数据集。在对该神经网络进行测试时，他通过Raspberry Pi控制图像数据的获取，供经过训练的神经网络处理。在实验组（其中的图像数据不包含在训练集中）上，该网络的成功率达到了70%到90%。CUCUMBER-9库提供了训练数据集。据报道，TensorFlow python api的代码实现是由TensorFlow Deep MNIST for Experts提供的示例代码修改而来。这篇文章没有具体说明Koike训练模型时使用的计算概要文件，也没有实际演示经过训练的网络。对于该模型的效率和准确率，Koike表示：
在我对测试图片进行验证时，识别准确率超过了95%。但如果把这个系统应用在真实的场景中，准确率降低到大约70%。我怀疑神经网络模型因为训练图片数量不足产生了“过拟合”问题（这是神经网络中的一个现象，经过训练的模型只适合小规模的训练集）。
分类问题符合良好深度学习对象的一般模式；图像属于“我看到它就知道它”的类别，或者是直觉和经验驱动的分类，那通常很难使用语言简单地描述出来，需要丰富的经验才能做好。Koike详细阐述了这个话题，他指出：
分类工作不是一项容易学习的任务。你不只要考虑大小和粗细，还要考虑颜色、纹理、小划痕，是直是弯，是否多刺。这需要花费几个月的时间来学习，你不能只在最忙的时候雇用兼职人员。我自己都是最近才学会如何把黄瓜整理好。
对于当前的原型，扩展性和计算时间是Koike面临的一项挑战，即使将图片转换成低分辨率（80x80）的图片，该训练模型仍然需要两到三天的时间处理那个包含7000张图片的训练数据集。虽然Koike表示感兴趣，但他还没有在Google Cloud ML上执行训练。那是谷歌推出的一个用于分布式TensorFlow训练的大规模集群。他还指出，他尚未对不同参数、配置和算法的组合进行测试。
本文转自d1net（转载）
