Question

如果你一直读到现在，那么现在可以开始享受成果了。我们将利用人工智能的强大力量做一些真正重要的事情。我们将找到你的灵兽。嗯，不完全是。我们将使用它，在CIFAR-10图像数据集中找到最像你的猫。CIFAR-10是什么？这个数据集是用作计算机视觉研究标准的一组图像。它包括10个分类，成千上万的图像，例如狗、青蛙，飞机和汽车等等。不过，对我们而言最重要的是，其中包括猫。

现在，我们需要理解在所有讨论的算法中，深度学习往往是最强大的，但同时对于“家庭使用者”也是最不友好的。我的意思是，相对于其他算法，深度学习通常需要更长的训练时间、更多的计算能力。事实上，这也是神经网络架构没有被快速接受的原因之一。随着较便宜的GPU（图形处理单元）出现，它才成为研究人员的可选项之一。

鉴于此，我们将采取两大措施来减少模型的处理时间。

第一个措施是利用GraphLab Create。它是一个很流行的大规模机器学习框架。它提供了一个很好的API，有点像pandas和scikit-learn的结合。通常，它是收费的服务——需要许可证，但是对于学术用途是免费的，似乎还包括了Bootcamps和大规模在线公开课程（MOOC），如Coursera。请务必阅读该站点的说明细节。

Graphlab的安装很简单。细节可以在这里找到：https://dato.com/download/ install-graphlab-create-command-line.html。基本上，它只需要填写表单就可以获取许可证，然后复制并粘贴它提供的pip命令。

　　

注意，你必须使用Python 2.7。Python 3目前还不支持这些。

缩短处理时间的下一个措施是使用被称为迁移学习的东西。迁移学习的基本思想是利用大规模的、高度训练的、针对某项具体任务的深度学习网络的能力。然后，我们砍掉这些网络的最高层，以使用较低层作为特征，让其运作在没有受过训练的任务中。请记住，在事物的综合表示方面，较低层的特殊性更少。在数字识别的世界中，较低层可以表示环状或直线，而较高层更多的是关注0或1。在大象识别的世界中，低层更多的是关于扇子和树干。在迁移学习中，我们可以提取这些较低级别的特征，以便将它们应用到新的领域——那些它们没有专门受训过的领域。

　　

本节中的很多信息都参考了有关机器学习基础的Coursera课程，可用这里访问：https://www. coursera.org/learn/ml-foundations。如果你有兴趣深入研究这些材料，我强烈推荐你阅读它。

有了这些，让我们开始编码。灵兽等着我们呢。

我们将从包的引入开始。

import graphlab 
graphlab.canvas.set_target('ipynb')

接下来，我们从CIFAR-10数据集中加载将要使用的一组图像。

gl_img = 
graphlab.SFrame('http://s3.amazonaws.com/dato-datasets/coursera/ deep_learni 
ng/image_train_data') 
gl_img

这将产生图8-22的输出。

图8-22

你会看到几列标识信息，例如编号和标签，你还会注意到名为“深度特征”的列。这些特征是从一个大规模的、经过训练的深度学习网络提取而来。稍后我们将解释如何使用它们。现在，让我们继续。

使用下面的代码，我们可以观察一下图像。

gl_img['image'][0:5].show()

这将产生图8-23的输出。

图8-23

不幸的是，图片非常小，但你可以调整它们的大小，让其看得稍微清楚些。

graphlab.image_analysis.resize(gl_img['image'][2:3], 96,96).show()

这将产生图8-24的输出。

现在，所有用于比较的图片都已经加载完毕了，我们只需要加载自己的照片。我会加载自己的一张照片，它应该适用于这个任务。当然，你需要在该位置加载你自己的。

img = graphlab.Image('/Users/alexcombs/Downloads/profile_pic.jpg') 
ppsf = graphlab.SArray([img]) 
ppsf = graphlab.image_analysis.resize(ppsf, 32,32) 
ppsf.show() 

这将产生图8-25的输出。

图8-24

图8-25

接下来，我们需要将该图像放入包含之前训练图像的数据框中。但是，要做到这一点，我们首先需要提取其特征。具体如下。

ppsf = graphlab.SFrame(ppsf).rename({'X1': 'image'}) 
ppsf

上述代码生成图8-26的输出。

现在，我们将提取图像的深度特征。

ppsf['deep_features'] = deep_learning_model.extract_features(ppsf) 
ppsf

上述代码生成图8-27的输出。

图8-26

图8-27

此刻，我们只需要一些最后的操作，就能让自己的照片与训练的图片拥有同样的格式。

ppsf['label'] = 'me' 
gl_img['id'].max()

上述代码生成图8-28的输出。

图8-28

我们看到数据框中最大的ID编号为49,970。我们为自己照片分配的编号为50,000，这样做只是为了便于记忆。

ppsf['id'] = 50000 
ppsf

上述代码生成图8-29的输出。

图8-29

差不多快好了，现在我们将使用这些列来连接所有的内容。

labels = ['id', 'image', 'label', 'deep_features'] 
part_train = gl_img[labels] 
new_train = part_train.append(ppsf[labels]) 
new_train.tail()

这将产生图8-30的输出。

图8-30

好吧，我们现在有一个很大的数据框架，包含所有的图像，以及表示为向量的图像深度特征。此时，我们可以使用非常简单的模型来找到最相似的图像。

我们首先使用k-最近邻居模型，将某个随机选取的猫和集合中其他的猫进行比较，感觉一下我们的模型效果如何。

knn_model = 
graphlab.nearest_neighbors.create(new_train,features=['deep_ features'], 
label='id')  

上述代码生成图8-31的输出。

图8-31

让我们看看被测试的小猫。

cat_test = new_train[-2:-1] 
graphlab.image_analysis.resize(cat_test ['image'], 96,96).show()

这将产生图8-32的输出。

图8-32

因此，这个可爱的像素化小怪物就是我们的测试主角。让我们找到和它面貌相似的其他小猫。

sim_frame = knn_model.query(cat_test) 
sim_frame

上述代码生成图8-33的输出。

图8-33

最后让我们看看匹配上的小猫们。

def reveal_my_twin(x): 
     return gl_img.filter_by(x['reference_label'],'id') 
spirit_animal = reveal_my_twin(knn_model.query(cat_test)) 
spirit_animal['image'].show()

这将导致图8-34的输出。

图8-34

这就是结果。每个图像是一只猫，我觉得它们看起来都很像被测试的小猫。

让我们再运行一次，选择另一只小猫。这里我省略了代码，只是给你看看被测试的猫和相似查找的结果。

首先，这是被测试的对象，如图8-35所示。

图8-35

现在是相似度匹配的结果，如图8-36所示。

图8-36

对于编号145的图片，我必须承认这个匹配相当不错。然而，现在，到了我们一直期待的时刻。让我们揭示我的动物双胞胎。

me_test = new_train[-1:] 
graphlab.image_analysis.resize(me_test['image'], 96,96).show()

这将产生图8-37的输出。

图8-37

现在，我们运行一次搜索，查找和我的照片最匹配的图片。

sim_frame = knn_model.query(me_test) 
sim_frame

上述代码生成图8-38的输出。

图8-38

现在，我们加载结果。

graphlab.image_analysis.resize(spirit_animal['image'][0:1], 96,96).show() 

这将产生图8-39的输出。

图8-39

我觉得还行。我认为自己戴的帽子决定了一切，但我一定会接受它作为我的灵兽。