一根优秀的黄瓜应该具备什么素质？谷歌AI告诉你

以下是令人震撼的 Makoto 家 9 类黄瓜图表，由上至下质量依次递减。

手里刚摘了一根黄瓜，你得仔细观察它的长短、粗细、颜色、纹理、是否有小刮痕、弯的还是直的、刺多不多......要跟9类标准对应，看它属于哪一等级，这并不是一个容易学的工作。

一个人要花好几个月才能熟练掌握整个分类标准体系，所以到了采摘旺季，Makoto 家忙不过来，却又不能临时雇人帮忙。

但是 Makoto 始终认为，给黄瓜分类不应该是瓜农的主要的工作，瓜农最重要的任务应该是专注于种植出美味的黄瓜。所以他决定，要把分类的工作交给机器，但是市面上的黄瓜分类器要么性能差要么太贵，不适合小农场。

而这时他看到了阿尔法狗的围棋大赛，一下子被人工智能吸引了，萌生了用机器学习造黄瓜分类机的想法，并开始研究谷歌开源的 TensorFlow 平台。

值得一提的是，使用 TensorFlow，并不需要具备高等数学模型、优化算法等专业知识，你只需下载简单的代码，然后阅读教程，就可以开始着手工作了。

这是 Makoto 制作的黄瓜分类机工作的场景：如果一根黄瓜属于某一个品类，小刷子就会把它推到相应的箱盒里。

Makoto 使用树莓派 3 作为主控制器，配备一个相机拍摄照片。这些照片传到 TensorFlow 平台上，起初在一个小型的神经网络上运行，以判断是否是黄瓜。之后，已经被判定为黄瓜的照片接着传输到一个更大的基于 Linux 服务器的神经网络，来对黄瓜按照不同的特质进行分类。

以下是黄瓜分类机的系统图：

机器学习首先是需要一个数据库的，为了训练这个模型，Makoto 花了 3 个月的时间给它“喂”了 7000张黄瓜照片，这些照片都是由 Makoto 的妈妈分类贴上的标签。

Makoto 测试时的准确率很高，达到了 95%，但是当他真的将这个系统用于实践时，识别准确率一下子降到了 70%。Makoto 怀疑是因为这个神经网络模型有了“过拟合”的问题，这是数据库数据不足而出现的现象。

另外，深度学习所需的计算量大，而 Makoto 使用典型的 Windows PC 机来训练神经网络，效率比较低。尽管他已经事先将所有的照片降低到 80 x 80 像素，系统仍然需要 2-3 天来完成 7000 张照片的训练。

这样低分辨率的照片导致的结果是，系统目前还并不能识别出颜色、纹理、刮痕和小刺，只能分辨出形状、长度和是否弯曲。而如果要提高照片分辨率，系统的计算量猛增，效率又会拖慢。

所以 Makoto 目前正打算使用谷歌的云机器学习（Cloud Machine Learning）平台，来进一步改善他的黄瓜分类机。

Via Engadget