工具地址：https://www.tensoreditor.com/
TensorEditor 是一个强大的机器学习工具，甚至小白都能以可视化的方式快速生成整个模型的代码。通过 TensorEditor，小白可以连接卷积层、全连接层和池化层等可视化结点创建整个模型，且我们可以将它们转化为 TensorFlow 和 Python 代码，并进一步在自己的环境中运行。
基本上，TensorEditor 的步骤即定义我们的数据集、图像或特征，然后创建深度神经网络并下载 Python 2.7 的代码，最后就需要在我们自己的 TensorFLow 环境下运行就好了。
通过 TensorEditor，我们不仅可以创建深度网络并避免一些常见的代码问题，同时还能生成基于 TensorFlow Estimator 的高效代码。如下所示，机器之心尝试构建了一个简单的卷积网络，我们使用了两个卷积层、两个池化层和一个全连接层，并在最后的 Estimator 使用了交叉熵损失函数和 Adagrad 最优化方法。
上述简单搭建的卷积网络同样可以生成完全可执行的代码，这样可以避免大量的一般代码问题与重复性工作。
import tensorflow as tf
import pandas as pd
tf.logging.set_verbosity(tf.logging.INFO)
project_name="CNN"
train_csv_file=""
test_csv_file=""
image_resize=[28,28]
def model_fn(features, labels, mode, params):
convolutional_2d_1 = tf.layers.conv2d(
inputs=features,
filters=32,
kernel_size=[3,3],
strides=(1,1),
padding="same",
data_format="channels_last",
dilation_rate=(1,1),
activation=tf.nn.relu,
use_bias=True)
max_pool_2d_1 = tf.layers.max_pooling2d(
inputs=convolutional_2d_1,
pool_size=[2,2],
strides=[2,2],
padding='same',
data_format='channels_last')
convolutional_2d_2 = tf.layers.conv2d(
inputs=max_pool_2d_1,
filters=64,
kernel_size=[3,3],
strides=(1,1),
padding="same",
data_format="channels_last",
dilation_rate=(1,1),
activation=tf.nn.relu,
use_bias=True)
max_pool_2d_2 = tf.layers.max_pooling2d(
inputs=max_pool_2d_1,
pool_size=[2,2],
strides=[2,2],
padding='same',
data_format='channels_last')
convolutional_2d_3 = tf.layers.conv2d(
inputs=max_pool_2d_2,
filters=128,
kernel_size=[3,3],
strides=(1,1),
padding="same",
data_format="channels_last",
dilation_rate=(1,1),
activation=tf.nn.relu,
use_bias=True)
max_pool_2d_3 = tf.layers.max_pooling2d(
inputs=convolutional_2d_3,
pool_size=[2,2],
strides=[2,2],
padding='same',
data_format='channels_last')
flatten_1 = tf.reshape(max_pool_2d_3, [-1, 2048])
dense_1 = tf.layers.dense(inputs=flatten_1, units=1024, activation=tf.nn.relu)
dropout_1= tf.layers.dropout(inputs=dense_1, rate=0.4, training=mode == tf.estimator.ModeKeys.TRAIN)
dense_2 = tf.layers.dense(inputs=dropout_1, units=256, activation=tf.nn.relu)
logits=dense_2
predictions = {
"classes": tf.argmax(input=logits, axis=1),
"probabilities": tf.nn.softmax(logits, name="softmax_tensor")
}
#Prediction and training
if mode == tf.estimator.ModeKeys.PREDICT:
return tf.estimator.EstimatorSpec(mode=mode, predictions=predictions)
# Calculate Loss (for both TRAIN and EVAL modes)
onehot_labels = tf.one_hot(indices=tf.cast(labels, tf.int32), depth=256)
loss = tf.losses.softmax_cross_entropy(
onehot_labels=onehot_labels, logits=logits)
# Compute evaluation metrics.
accuracy = tf.metrics.accuracy(labels=labels,
predictions=predictions["classes"],
name='acc_op')
metrics = {'accuracy': accuracy}
tf.summary.scalar('accuracy', accuracy[1])
# Configure the Training Op (for TRAIN mode)
if mode == tf.estimator.ModeKeys.TRAIN:
optimizer = tf.train.AdagradOptimizer(learning_rate=0.001)
train_op = optimizer.minimize(
loss=loss,
global_step=tf.train.get_global_step())
return tf.estimator.EstimatorSpec(mode=mode, loss=loss, train_op=train_op)
# Add evaluation metrics (for EVAL mode)
eval_metric_ops = {
"accuracy": tf.metrics.accuracy(
labels=labels, predictions=predictions["classes"])}
return tf.estimator.EstimatorSpec(
mode=mode, loss=loss, eval_metric_ops=eval_metric_ops)
# Parse CSV input file and resize image
def _parse_csv(line):
parsed_line= tf.decode_csv(line, [[""], []])
filename = parsed_line[0]
label = parsed_line[1]
image_string = tf.read_file(filename)
image_decoded = tf.image.decode_jpeg(image_string, channels=3)
image_resized = tf.image.resize_images(image_decoded, image_resize)
image_gray = tf.image.rgb_to_grayscale(image_resized)
return image_gray, label
def data_train_estimator():
dataset = tf.data.TextLineDataset(train_csv_file).map(_parse_csv) # Map each line to convert the data
dataset = dataset.batch(100)
dataset = dataset.shuffle(1000)
dataset = dataset.repeat()
iterator = dataset.make_one_shot_iterator() # create one shot iterator
feature, label = iterator.get_next()
return feature, label
def data_test_estimator():
dataset = tf.data.TextLineDataset(test_csv_file).map(_parse_csv) # Map each line to convert the data
dataset = dataset.batch(100)
iterator = dataset.make_one_shot_iterator() # create one shot iterator
feature, label = iterator.get_next()
return feature, label
def main(unused_argv):
# MAIN ENTRY
# Create the Estimator
classifier = tf.estimator.Estimator(
model_fn=model_fn,
model_dir="/tmp/"+project_name,
params={
# PARAMS
}
)
classifier.train(input_fn=data_train_estimator, steps=30000)
eval_results = classifier.evaluate(input_fn=data_test_estimator)
tf.summary.scalar("Accuracy", eval_results["accuracy"])
print(eval_results)
if __name__ == "__main__":
tf.app.run()
TensorEditor 主要有以下特点：
易于使用：我们只需要添加模块、连接模块并在最后加入评估模块，就能完成搭建。
由易到难：只需要叠加不同的模块，我们就能创建如 VGG 那样的复杂深度网络。
参数直观：可以轻松修改各结点的配置与参数，从而搭建定制化的深度网络。
生成代码：搭建完深度架构，我们就能直接生成可执行的 TensorFlow 代码（Python 2.7）。
90 秒的 MNIST 教程
在上面的视频中，开发者展示了如何使用 TensorEditor 在 90 秒内快速搭建一个可用于 MNIST 手写数字识别的简单网络。对于 TensorEditor 这种构建序贯 CNN 模型的简单工具，我们只需要准备两件事就能开始搭建模型模型：
下载 MNIST 手写数据集：https://github.com/damiles/TensorEditor_SampleData/raw/master/mnist_png.tar.gz
确定网络架构：https://www.tensorflow.org/tutorials/layers#building_the_cnn_mnist_classifier
TensorEditor 接受 CSV 格式的特征数据集或具有 CSV 标签的图像数据集作为数据输入，并且需要训练和测试/评估两个 CSV 文件。当我们从上面的链接下载数据集并提取图像数据时，我们会有两个 CSV 文件和两个包含所有图像的文件夹（测试和训练）。
现在我们就可以在 TensorEditor 中创建将要用于手写数字识别的卷积网络架构，下面展示的架构和 TensorFlow 文档中保持一致。
卷积层 1：使用 32 个 5x5 大小的卷积核和 ReLU 激活函数
池化层 1：使用 2x2 滤波器和步幅为 2 的最大池化运算（池化区域不重叠）
卷积层 2：使用 64 个 5x5 大小的卷积核和 ReLU 激活函数
池化层 2：同样使用 2x2 滤波器和步幅为 2 的最大池化运算
全连接层 1：1024 个神经元，Dropout 正则化率为 0.4
分类层：10 个神经元，每个神经元表示 0 到 9 这十个数字。
我们只需要按步骤先添加一个输入 csv 数据集模块，并设置 train.csv 和 test.csv 的地址。然后依次添加上述的卷积和全连接等模块，并设置好对应的参数，如卷积核大小、卷积核数量和激活函数等。最后主需要添加 Estimator 模块，并设置损失函数、最优化方法和学习率等配置就能完成架构上的搭建。如下所示为使用可视化方法搭建的架构：
最后上面的网络就能生成对应的代码，我们可直接复制到本地代码编辑器中并执行：
