近日，机器之心发现一个非常有意思的工具，可以用可视化的方式轻松添加卷积层、全连接层和池化层等层级，然后生成可执行的 TensorFlow 代码。此外，我们也尝试搭建一个简单的卷积架构，并在本地 TensorFlow 环境下测试生成的代码。
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 tfimport pandas as pdtf.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 imagedef _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, labeldef 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, labeldef 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, labeldef 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：
本文为机器之心整理，转载请联系本公众号获得授权。