如何构建你的第一个图像分类模型？

什么是图像分类？

观察下面这张图：

你会立刻意识到这是一辆（豪华的）汽车。后退一步，分析你是如何得出这个结论的——你看到了一张图片并对它的所属类别进行了分类（本例中是一辆车）。简言之，这就是关于图像分类的一切。

对给定的图像进行分类，图像中可能有n个类别。手动检查和分类图像是一个非常繁琐的过程。当我们面对大量的图片，比如10000张甚至100000张时，这个任务几乎不可能完成。

 

既然我们已经掌握了主题，那么让我们深入研究一下如何构建图像分类模型，它的先决条件是什么以及如何实现。

设置图像数据的结构

为了解决图像分类问题，我们的数据需要采用特定的格式。

你需要两个文件夹，一个用于训练集，另一个用于测试集。训练集文件夹中又包含一个.csv文件和一个图像文件夹：

• ·csv文件包含所有训练图像的名称及其相应的标签

• 图像文件夹包含所有的训练图像

测试集中的.csv文件与训练集中的不同，测试集中的.csv文件包含所有测试图像的名称，但不包含其相应的标签。

你能猜到为什么吗？

我们的模型将在训练集中的图像上进行训练，标签预测将在测试集的图像上进行。

 分解模型构建过程

我们来看一下图像分类模型通常是如何设计的。这个过程大致分为4个阶段。每个阶段都需要一定的时间来执行：

1.加载和预处理数据——30%的时间

2.定义模型架构——10%的时间

3.训练模型——50%的时间

4.性能评估——10%的时间

现在我们更详细地解释一下上面的每一个步骤。这一部分非常重要，因为并非所有模型都是一下子构建起来的。你需要在每次迭代之后返回，对步骤进行微调，然后再次运行。对基础概念有一个扎实的理解，对于加速整个过程将有很大的帮助。

 

阶段1：数据的加载和预处理

 

就深度学习模型而言，数据就是黄金。如果训练集中有大量的图像，你的图像分类模型将更有可能表现良好。此外，数据的形状根据我们使用的体系结构/框架而变化。

为了了解我们的模型如何处理未见过的数据（以及在将其公开给测试集之前），我们需要创建一个验证集。这是通过划分训练集数据来完成的。

简言之，在训练集上训练模型，并在验证数据上加以验证。一旦我们对模型在验证集上的性能感到满意，就可以用其对测试数据进行预测。

此步骤所需时间：大约2-3分钟。

 

阶段2：定义模型架构

这是我们深度学习模型构建过程中的另一个关键步骤。我们必须定义模型的架构，这需要回答以下问题：

 

· 需要多少卷积层？

· 每层的**功能是什么？

· 每层有多少隐藏单元？

此步骤所需时间：大约1分钟。

 

阶段3：训练模型

 为了训练数据，我们需要：

· 训练图像及其相应的正确标签

· 验证图像及其相应的正确标签

此步骤所需时间：由于训练需要模型学习结构，我需要大约5分钟来完成此步骤。

是时候做预测了！

阶段4：评估模型的性能

最后，我们加载测试数据（图像）并在此完成预处理步骤。然后我们使用训练模型为这些图像预测类。

此步骤所需时间：不超过1分钟。

 动手搭建你的第一个图像分类模型

 

现在你将接受一个非常酷的挑战来理解图像分类。建立一个模型，对垃圾进行分类。这实际上是华为云人工智能大赛：垃圾分类挑战杯，如何对近千种垃圾进行分类已成为AI应用领域重要方向之一。

 

可能是看完上面的步骤，对于如何开展图像分类这项任务，仍然摸不着头脑，基于此，为了让你更快的入行深度学习图像分类，成为一个优秀的AI 工程师，****学院联合郭冰洋老师，特别针对零基础想开始学习图像分类的同学联合出品了《深度学习图像处理之垃圾分类》

 开始学习

             

仅需一顿饭，换你一次

进入高薪技术领域的机会

点击阅读原文“39元开启学习“