makoto koike對tensorflow如何學會了他這個黃瓜種植戶的黃瓜選擇和分類原則進行了詳細描述。這個話題在hacker news上被斥為谷歌的市場營銷，而在其他地方則被當成是深度學習、神經網路和機器學習日益流行的案例。tensorflow的學習結果大大超出了預期。選擇和分類通常是乙個非常耗時的過程，在收穫的高峰季節，臨時員工都無法在短期內學會，這經常導致koike一家根據若干屬性花費大量的時間對黃瓜進行仔細的整理和分類。
\\ koike使用了由其家庭成員耗時三個月分類完成的7000張黃瓜作為訓練資料集。在對該神經網路進行測試時，他通過raspberry pi控制影象資料的獲取，供經過訓練的神經網路處理。在實驗組（其中的影象資料不包含在訓練集中）上，該網路的成功率達到了70%到90%。cucumber-9庫提供了訓練資料集。據報道，tensorflow python api的**實現是由tensorflow deep mnist for experts提供的示例**修改而來。這篇文章沒有具體說明koike訓練模型時使用的計算概要檔案，也沒有實際演示經過訓練的網路。對於該模型的效率和準確率，koike表示：
\\
\\\在我對測試進行驗證時，識別準確率超過了95%。但如果把這個系統應用在真實的場景中，準確率降低到大約70%。我懷疑神經網路模型因為訓練數量不足產生了「過擬合」問題（這是神經網路中的乙個現象，經過訓練的模型只適合小規模的訓練集）。
\
分類問題符合良好深度學習物件的一般模式；影象屬於「我看到它就知道它」的類別，或者是直覺和經驗驅動的分類，那通常很難使用語言簡單地描述出來，需要豐富的經驗才能做好。koike詳細闡述了這個話題，他指出：
\\
\\\分類工作不是一項容易學習的任務。你不只要考慮大小和粗細，還要考慮顏色、紋理、小劃痕，是直是彎，是否多刺。這需要花費幾個月的時間來學習，你不能只在最忙的時候雇用兼職人員。我自己都是最近才學會如何把黃瓜整理好。
\
對於當前的原型，擴充套件性和計算時間是koike面臨的一項挑戰，即使將轉換成低解析度（80x80）的，該訓練模型仍然需要兩到三天的時間處理那個包含7000張的訓練資料集。雖然koike表示感興趣，但他還沒有在google cloud ml上執行訓練。那是谷歌推出的乙個用於分布式tensorflow訓練的大規模集群。他還指出，他尚未對不同引數、配置和演算法的組合進行測試。
\\檢視英文原文：tensorflow learns cucumber selection and classification
氣泡排序 選擇排序和二分查詢演算法
氣泡排序 思路 氣泡排序的思路 實現 public static void bubblebettersort int array if flag p counter counter true 選擇排序 演算法思想 從待排序的陣列中選擇乙個最小的元素，將它與陣列的第乙個位置的元素交換位置。然後從剩下的...
談專案中如何選擇框架和庫（FEDAY主題分享總結）
表面上看來就是原有工作人員習慣使用原來的工作方法和方式來解決現有問題而非使用新的輪子來解決問題 專案時間緊張，不願接受新的實物 拉這車東西是因為輪子的問題，還是路面的問題，還是本身這車東西就很沉重？假設那個給了新輪子的人給的不是乙個圓形的或者是乙個六邊形的情況是什麼樣的？我們經常談論的維度 選擇框架...
啥？四分錢就能學會開發電商和遊戲小程式？！
而且，雲開發還具有商業和技術兩方面的多項優點，能讓小程式開發更加高效。以電商開發為例，小程式 雲開發就在後端 伺服器 費用等方面有著獨特的優勢，從而解決了傳統電商後台開發的一些侷限性。目前，小程式 雲開發讓開發者看到了更多的可能性，也讓越來越多的開發愛好者有機會將天馬行空的想象付諸實踐，從而誕生出乙...