提到机器学习，深度学习这些，大家都会立马想起Python。但R的实力也不容小觑。今天就用R来演示一个基于TensorFlow的图像识别的例子。如果你想运行这些代码，就必须先安装配置好TensorFlow，我是在Linux系统上面运行的。如何配置TensorFlow尽量看看官方文档，虽然是英文的，但是最新的，也是最准确的。
废话不说，直接来看代码，在代码中我也做了详细的注释，看起来应该不是很困难。
library(tensorflow) #加载TensorFlow包
library(magrittr) #数据处理包，可以使用管道函数
slim= tf$contrib$slim #slim是一个使构建，训练，评估神经网络变得简单的库。
# slim提供了很多计算机视觉方面的著名模型（VGG, AlexNet等），我们不仅可以直接使用，甚至能以各种方式进行扩展。
tf$reset_default_graph() #在每次运行中清除当前图形，以避免变量重复#Session会话 张量的具体值和操作,会话关闭时，张量的任何具体值都会丢失
images = tf$placeholder(tf$float32, shape(NULL, NULL, NULL, 3))# 创建占位符
imgs_scaled = tf$image$resize_images(images, shape(224,224)) #设置图片大小# slim$conv2d自带卷积功能+激励函数
fc8 = slim$conv2d(imgs_scaled, 64, shape(3,3), scope='vgg_16/conv1/conv1_1') %>%
slim$conv2d(64, shape(3,3), scope='vgg_16/conv1/conv1_2') %>%
slim$max_pool2d( shape(2, 2), scope='vgg_16/pool1') %>% #池化操作
slim$conv2d(128, shape(3,3), scope='vgg_16/conv2/conv2_1') %>%
slim$conv2d(128, shape(3,3), scope='vgg_16/conv2/conv2_2') %>%
slim$max_pool2d( shape(2, 2), scope='vgg_16/pool2') %>%
slim$conv2d(256, shape(3,3), scope='vgg_16/conv3/conv3_1') %>%
slim$conv2d(256, shape(3,3), scope='vgg_16/conv3/conv3_2') %>%
slim$conv2d(256, shape(3,3), scope='vgg_16/conv3/conv3_3') %>%
slim$max_pool2d(shape(2, 2), scope='vgg_16/pool3') %>%
slim$conv2d(512, shape(3,3), scope='vgg_16/conv4/conv4_1') %>%
slim$conv2d(512, shape(3,3), scope='vgg_16/conv4/conv4_2') %>%
slim$conv2d(512, shape(3,3), scope='vgg_16/conv4/conv4_3') %>%
slim$max_pool2d(shape(2, 2), scope='vgg_16/pool4') %>%
slim$conv2d(512, shape(3,3), scope='vgg_16/conv5/conv5_1') %>%
slim$conv2d(512, shape(3,3), scope='vgg_16/conv5/conv5_2') %>%
slim$conv2d(512, shape(3,3), scope='vgg_16/conv5/conv5_3') %>%
slim$max_pool2d(shape(2, 2), scope='vgg_16/pool5') %>%
slim$conv2d(4096, shape(7, 7), padding='VALID', scope='vgg_16/fc6') %>%
slim$conv2d(4096, shape(1, 1), scope='vgg_16/fc7') %>%
# Setting the activation_fn=NULL does not work, so we get a ReLU
slim$conv2d(1000, shape(1, 1), scope='vgg_16/fc8') %>%
tf$squeeze(shape(1, 2), name='vgg_16/fc8/squeezed')
tf$summary$FileWriter('/tmp/dumm/vgg16', tf$get_default_graph())$close() #保存在/tmp/dumm/vgg16目录下
restorer = tf$train$Saver() #创建一个Saver 来管理模型中的所有变量。
sess = tf$Session()
restorer$restore(sess, 'vgg_16.ckpt') #复原模型
library(jpeg)
img1<-readJPEG('caomei.jpg') #img1的值在0-1之间。
d=dim(img1) #获取img1的维度
imgs =array(255*img1,dim = c(1,d[1],d[2],d[3]))
#因为数值需要在0到225之间，所以需要乘225.形成一个四维数组#我们可以通过与存储在数组imgs中的图像的张量来对图像做预测
fc8_vals=sess$run(fc8,dict(images=imgs))#将fc8的张量存储在fc8_vals中。
fc8_vals[1:5]
probs=exp(fc8_vals)/sum(exp(fc8_vals))
#按概率从高排序，并取前五个。
idx=sort.int(fc8_vals,index.return = TRUE,decreasing = TRUE)$ix[1:5]
#读取图像分类文件
library(readr)
names = read_delim("imagenet_classes.txt", "\t", escape_double = FALSE, trim_ws = TRUE,col_names = FALSE)
library(grid) #图片处理的一个包，主要控制输出图形的大的外观和一些细节东西的排列
g = rasterGrob(img1, interpolate=TRUE) #图形进行栅格化
text = ""for (id in idx) {
text = paste0(text, names[id,][[1]], " ", round(probs[id],5), "\n")
}
#annotate 添加文本注释
#annotation_custom 可以添加各种图形元素到ggplot图中
library(ggplot2)
ggplot(data.frame(d=1:3)) + annotation_custom(g) +
annotate('text',x=0.05,y=0.05,label=text, size=7, hjust = 0, vjust=0, color='blue') + xlim(0,1) + ylim(0,1)主要代码转自：
https://randomthoughtsonr.blogspot.com/2016/11/image-classification-in-r-using-trained.html
我在网上找的了一张草莓的图片，使用该模型进行识别。
识别结果如下图，不过结果还挺准的。是草莓的概率是0.99999。不过有的情况下识别结果还是不太准的，毕竟这个模型也是有限的。
再来一张二哈（英文名：Siberian husky，取自百度百科）的照片，我专门在百度百科上面找了一张二哈比较霸气的照片。在百度百科上面找的主要原因就是保证这张照片就是二哈。
图片来自百度百科 词条“西伯利亚雪橇犬”
分析结果表明是二哈的可能性是0.592.基本上还是挺准的。
也许就有人说Siberian husky和husky，有什么区别，百度百科上面他们好像就是一个。在维基百科查阅发现，Siberian husky是husky的一个品种，husky还包括了其他品种比如拉布拉多犬哈士奇，我相信一些爱狗人士可能会董。于是我在维基百科上面的husky词条找到了下面这张照片。
图片来源 维基百科 词条“Husky”
结果显示是husky的概率是0.46234.还是挺准的，毕竟这只是一张侧脸照。把这两张照片放在一块，我觉得一般人都分不清楚。
补充：
由于TensorFlow发展比较快，如果看一些比较旧的资料，比如两年前的资料，在用最新的TensorFlow时，输入有的API就会报错，我在这跟大家分享几个API更新后的名字，希望在用的时候能帮到大家。
程序中用到的vgg16模型以及imagenet_classes.txt我已经通过百度网盘分享给大家了，点击阅读原文即可，提取码为：vxp3。觉得不错，那就把这篇文章分享给好友吧，让大家都知道R也是六六的。
☞推荐阅读☜
1：情感分析 | 一份就职宣誓也许就可以预测一个国家未来几年的政治形势
