原文来源：medium

作者：Abdellatif Abdelfattah

「机器人圈」编译：嗯~阿童木呀

我们将要构建一个可以用来识别图像的神经网络，其精确度可达到78.4％，与此同时，我们还将解释整个过程中使用的技术。

介绍

近期以来，深度学习在各个领域应用广泛，其取得的最近进展使得诸如图像和语音识别等任务成为可能，不再遥不可及。

深度学习：机器学习算法的一个子集，擅长于模式识别，但通常需要大量的数据。

深度学习在识别图像中的对象方面具有非常优异的表现，因为它是通过3层或更多层人工神经网络实现的，其中每层都负责提取图像的一个或多个特征（详情稍后介绍）。

神经网络：一种与人脑中神经元类似的计算模型。每个神经元接受一个输入，执行一些操作，然后将输出传递给下面的神经元。

神经网络表征图（src）

我们将教计算机识别图像并将它们分类为以下10种类别中的一个类别：

为了实现这一目的，我们首先需要在计算机能够识别一个新对象之前教它认识猫，狗和鸟等对象。计算机看到的猫越多，其识别猫的能力就越好。这就是所谓的监督学习。我们可以通过标记图像来执行此任务，计算机将开始识别猫图片中出现的模式，而这些模式在其他图片中是不存在的，而后计算机将开始构建自己的认知。

我们将使用Python和TensorFlow来编写程序。TensorFlow是一个由Google创建的开源深度学习框架，它可以让开发者对每个神经元(在TensorFlow中被称为“节点”)进行细粒度控制（granular control），这样你就可以调整权重，实现最佳性能。TensorFlow有许多内置的库（其中很少是可以用于我们的图像分类任务中的），并有一个令人惊奇的社区，所以你将能够在其中找到几乎任何有关深度学习主题的开源实现。

那么我们就开始行动吧——教计算机进行图像分类！

用于图像分类的机器学习

计算机能够对数字进行计算，但无法以我们的方式来解读图像。因此我们必须以某种方式将图像转换为计算机能够理解的数字。

在图像处理中有两种常用的方法：

1.使用灰度级（Greyscale）：

图像将被转换为灰度级（灰色范围从白色到黑色），计算机将根据颜色的深浅为每个像素分配一个值。所有的数字都将放在一个数组中，然后计算机将在该数组上进行计算。这是使用灰度级后所看到的数字8：

图像转换为数字（src）

然后我们将结果数组输入到计算机中：

结果数组（src）

2.使用RGB值：

颜色可以表示为RGB值（红色，绿色和蓝色的组合，范围从0到255）。然后，计算机可以提取每个像素的RGB值，并将结果放在数组中进行解读。

当计算机对一个新的图像进行解读时，它将使用相同的技术把图像转换为数组，继而将数字模式与已知对象进行比较。然后计算机将为每个类分配一个置信度分数。具有最高置信度分数的类通常就是计算机所预测的那一个。

CNN（卷积神经网络）

简而言之，在人工智能领域中，用于提高图像分类精确度的最流行技术之一就是卷积神经网络（简称CNN）。

卷积神经网络：一种特殊类型的神经网络，其工作方式与常规神经网络相同，只是开始时具有一个卷积层。

该技术不是将整个图像作为数字数组，而是将图像分解成多个图块，然后计算机会尝试预测每个图块是什么。最后，计算机试图根据所有图块的预测结果来分析预测图片中的对象。这使得计算机能够并行化操作并检测对象，而不管其位于图像中的位置。

数据集

我们决定使用CIFAR-10数据集，该数据集由60,000个尺寸为32 x 32像素的图像组成。该数据集包含10个相互排斥（不重叠）的类，每个类中含有6,000个图像。图像小巧，标记清晰，没有噪声，这些优点使得该数据集成为这项任务的理想选择，而且只需要非常少的预处理就可以了。以下是从数据集中获取的几张图片：

步骤1：预处理

首先，我们需要为数据添加一些变化，因为数据集中的图像是非常有组织的，并且几乎不包含任何噪声。我们将使用名为imgaug的Python库人为地添加噪声。接下来我们要对图像进行随机组合：

1.图像的裁剪部分

2.水平翻转图像

3.调整色调，对比度和饱和度

经过上述组合操作之后的图片外观效果

以下是用于图像预处理操作的Python代码：

步骤2：拆分我们的数据集

对于使用整个大型数据集的模型来说，计算其梯度需要花费很长时间。因此，我们将在优化器的每次迭代期间使用一小批图像。批量大小通常是32或64—我们将使用的是64，因为我们有相当多的图像。然后将数据集分为含有50,000张图像的训练集，以及包含10,000张图像的测试集。

步骤3：构建一个卷积神经网络

神经网络架构

现在我们已经完成了对数据集的预处理和拆分操作，那么，接下来我们可以开始实现神经网络。我们将要有3个具有2×2最大池化（max-pooling）的卷积层。

最大池化（max-pooling）：一种通过获取网格的最大像素值来减小图像尺寸的技术。此外该技术还有助于减少过度拟合，使模型更为通用。以下示例显示了2 x 2 最大池化的工作原理：

2 x 2最大池化（src）

之后，我们将添加2个完全连接层。由于完全连接层的输入应该是二维的，卷积层的输出是四维的，所以我们需要在它们之间有一个扁平层（flattening layer）。

在完全连接层的最末端是一个softmax层。

可是说参数识别是一项非常具有挑战性的任务，因为我们有如此多的参数需要调整。因此，我们阅读了大量的资料，并试图找出一种实现方法。但是，效果并不明显，因为它似乎需要大量的经验。所以我们发现了一个由Alex Krizhevsky搭建的架构，他使用这种结构，并赢得了ImageNet LSVRC-2010的冠军。而相较于他的工作任务，我们的任务就简单的多了，所以我们只使用3个卷积层，并在每个层之间保持一个梯度。

结果

既然我们已经有一个已训练的神经网络，那么我们就可以使用它来进行试验了！然后，我们让计算机解读10,000个未知图像，其达到的精度为78.4％（7844/10000）。有趣的是，不正确的预测看起来与计算机所认为的非常接近。

错误预测的样本

以右上方的图片为例，图片看起来就像一只坐在卡车上的猫，所以对于计算机来说，将其预测为卡车也是很合理的。

结论

以上就是对使用神经网络进行图像识别的详细介绍，总而言之，现如今，我们可以使用TensorFlow构建一个人工卷积神经网络，其识别图像的精确度为78％。我们要对图像进行预处理操作从而使其更为通用，然后将数据集拆分成多个批次，最后构建和训练模型，从而使其能够识别图像。

注：点击GitHub repo查看完整代码资源。