咱们开门见山，实话实说。
虽然ChatGPT带火了人工智能，但它还没找好挣钱的门路。急得投资人微软充当OpenAI的销售，大夏天的提着2.5L的矿泉水，背着电脑包，到处下基层去跟人聊行业结合，谈产品落地。
镜头一转，在计算机视觉（Computer Vision, CV）领域，人工智能反而挣着钱了。大家用AI生成衣服图片替换模特，也用AI生成游戏怪物替换特效师。甚至在传统的图书出版行业，有些书籍的插画，也开始用AI去生成。
因此，我打算聊聊人工智能在视觉方面的原理。然后，顺手从0到1创建一个属于自己的图像分类开放能力。
一、看看效果
为了让大家直观感受到AI对视觉处理的能力，我先拿一个低成本的图像分类代码演示一下。后面，咱再讲原理并自己建设。
from transformers import AutoImageProcessor, ResNetForImageClassification
import torch
from PIL import Image
# 加载模型权重
processor = AutoImageProcessor.from_pretrained("model")
model = ResNetForImageClassification.from_pretrained("model")
# 选择一个图片
image = Image.open("pics/dog.jpeg")
inputs = processor(image, return_tensors="pt")
with torch.no_grad():
logits = model(**inputs).logits
predicted_label = logits.argmax(-1).item()
print(model.config.id2label[predicted_label])
上面利用transformers加载了一个训练好的权重，实现了一个图像分类的功能。这就是全部的python代码。
我的项目文件结构是这样的：
|---- model # 模型权重
|---- cofig.json
|---- preprocessor_config.json
|---- pytorch_model.bin
|---- pics # 测试图片
|---- dog.jpeg # 随便一张狗的图片
|---- main.py # python代码文件
model文件夹下，是人家训练好的模型，我们直接拿来用。你可以下载pytorch的权重，也可以选择TensorFlow的权重。记得对应pip install一下它们。另外别忘了 pip install transformers。
下载地址是huggingface.co/microsoft/r… 。这是微软的resnet-50模型，它是从COCO 2017数据集中找了1000类图片进行训练的产物。这些分类对应model/config.json中的id2label。
我找了一些动物的图片来尝试。我原以为它仅能区分出猫、狗、鼠、兔。没想到，它居然还能进一步识别具体的品种。
如上图，它能识别出是狗，而且是金毛犬。他能识别出是松鼠，还是狐狸松鼠。我又拿哈士奇和狼试了试，结果几毫秒就出正确结果了。
挺神奇！怪不得图像领域能赚钱，这玩意儿确实有用哇。
那么问题来了，它的原理是什么？又是如何实现的呢？
二、讲讲原理
2.1 图像的构成
你有没有想过这样一个问题：
煤炭是黑的，因它本身就是黑的。馒头是白的，因它本来就是白的。但显示器、电视，为啥一会儿黑，一会儿白，有时候还五彩斑斓。色彩和图像究竟是如何被定义的呢？
想明白这个问题，有助于你理解计算机视觉。
我们都知道（看完就知道了），红（Red）、绿（Green）、蓝（Blue）是三原色，又称RGB。
这三种颜色相互交融，可调合出世间的五彩斑斓。
很有意思，色彩学和数学扯上了关系。红色的RGB是(255, 0, 0), 绿色的RGB是(0, 255, 0)。红色混合绿色是黄色，黄色的RGB是(255, 255, 0)。如你所料，红绿蓝混在一起，就是(255, 255, 255)，它是白色。
基于这个原理，我们才可以用三组数据表示一个色彩点。同时，我们又可以用多个色彩点表示一幅图。这一点，我们通过显示器的屏幕就能看得出来。
你的电脑、手机的显示器，就是由很多个小像素格子组成的。只是它太小太密集，你看不出来。如果，你往屏幕上滴一滴水，就会发现其中的奥秘。
至此，我想表达，我们可以用数字来描述任何一幅图。它无非就是横竖（宽高）有多少个点，每个点是什么颜色（RGB的数值）。
那么对这些个数据，我们能做什么呢？
2.2 聊透卷积神经网络的原理
提到图像处理，不得不提卷积神经网络（Convolutional Neural Network, CNN）。它构建起一个层级化的模型，可谓是经典中的经典。
CNN有三板斧：卷积层（Convolutional Layer）、池化层（Pooling Layer）和全连接层（Fully Connected Layer）。
一般的文章提到卷积层，大多会放出这样的图。
并且配上文字解释说：小绿方块是个3×3的卷积核，在淡蓝色5×5像素的图上以1为步长行进。在不填充的情况下，最大能走3步。所以，最终形成右侧3×3的结果。这个卷积核，就是一个特征提取器，能过滤它所关注的数据特征。
这……说得没错。但对初学者来说，还是很抽象：它怎么就学会过滤特征了？它又过滤了什么样的特征？
首先，做卷积运算应该不难理解。下面这幅图，演示了卷积运算。
这是一个3×3的卷积核。它每个格子都带参数。从图像上卷过之后，将图上的像素和自己进行运算，最终输出卷积后的数据。上面的卷积结果让轮廓更加明显。
卷积层在参与训练时，它的参数是可变的。它会通过学习来改变自己的数值。它先随机猜测一个特征，比如只要中心点的像素，其它全都×0变为空白。在验证的过程中，如果猜对了，固然挺好。如果猜不对，那么再进行改变，直到接近正确答案。
一套神经网络，会有好多个卷积层。每个卷积层，又会有好多个卷积核。这样就可以从不同的维度来收集一张图片的特征。甚至说，还可以前面卷完了后边接着卷。
我们看下面这张经典的VGG-19的结构图。3×3 conv,64表示有64个3×3的卷积核在一张图片上提取信息。后面还有128个、256个。
卷积就像是提取一个学生的成绩。前面卷数学计算，中间卷体能指标，后边卷文学修养。甚至在文学大类中，再提取关于诗人“李白”的专项考核。总之就是要找差别，要靠特征来判定你是不是优秀学生。不得不说卷积的“卷”，翻译得很到位。
经过训练，模型合格，每个卷积核都会得到合适的参数值。这就好比对于评价学生，我们先猜了一个自认为靠谱的方案。然后经过多轮尝试和调整，最终形成了一套量化标准。
那么，卷积层的参数能看吗？都说AI是黑盒，不知道它发生了什么！这句话虽然没错，但在一些简单的场景，还不至于上升到玄学的境界。
模型权重（最终训练出来的那玩意儿）定型后，会体现在模型参数的数值上。整个网络有多少层结构，每层的数值是多少，其实能打印，不过全是向量，你看不出啥道道。但是，如果我们生成噪点图像，让图像的特征向卷积核的权重靠拢，去极大化这个特征，那么或许可以有些收获。
下面，我解剖一个图片分类网络结构的权重。我选择几个层，然后极大化这些数值，也输出了一些视觉的结果。这个操作稍微有点专业，因此我仅摆出来效果，期望帮助大家从视觉上去加深理解。请原谅我不去细讲它。
我并没有拿生物书上的细胞照片来忽悠您，尽管这两者有点像。这确实是将神经网络的权重碎片“反编译”成图片的结果。可能这个结果，让那些持有“生物就是计算机程序”这一观点的人很兴奋。
其实有些图片也并不抽象，或多或少也能推测出一些特征信息。
看来这个卷积层的意义就是对图像进行特征提取。它通过撒出大量的卷积核，去挖掘一张图中存在的独特边缘或是纹理，从而给下游分类任务提供判断依据。
这一层接一层地卷积，是不是太卷了？不累吗？
设计者也考虑到了这个问题，因此引入了池化层（Pooling layer）的概念。
池化层可以在一定程度上解决过“卷”的问题！其手段就类似于灭霸的响指，会让样本中一半的像素消失。看下面这个图。
上图采用的是最大池化（Max Pooling）。一个2×2的池化窗口，在图片上行进。它所经过的地方，取一个窗口内最大的数值作为输出。
按照这个配置，它可以将一张80×80的样本缩小到40×40。而且你看上面的图，即便是缩小后，特征也不变，还能看出本来的轮廓。如果不嫌麻烦，你再往上翻找到那张VGG-19的结构图。output size开始是224，经过pool,/2之后就变成了112，少了一半。这就是池化起的作用。
在算力不变的情况下，数据量成半砍，那干活肯定快，空出的时间可以去休闲。所以我说它“反卷”。
在训练时，卷积层的卷积核参数会反复调整并矫正。而池化层不用动脑子，没东西参与训练，要么找一个最大值，要么找一个平均值（平均池化, Average Pooling）。安逸得很！
池化层一般搭配着卷积层使用。这似乎是程序员在对外宣传：人生要间隔着“卷一程”、“躺一程”。
经过神经网络的层层提取，到后期基本上就浓缩出了大量的样本特征。此时通过全连接层（Fully Connected Layer）进行裁决。它是组委会的决赛评委。它的工作简单且重要。前面甭管多少层，都是在收集特征，就像是上报学生的证书、成绩、荣誉、行为、美德、习惯等数据。到全连接层这里，会对特征数据进行加权求和并评分，给出最终结果。
好了，卷积神经网络的组成，我们就讲完了。下面，我们就自己去攒一个网络去实现图像分类。
三、具体实现
我想训练个识别天气照片的分类模型。我们的天气一般分为三类：晴天、多云、有雨。
因此，我找到了一些相关的图片数据，作为数据集。
图片样例如下：
将图片整理成如下的目录结构：
mian.py 程序文件
[datasets] 数据集文件夹
|--- [cloudy] 多云
|--- [rain] 有雨
|--- [shine] 晴天
于是，我们要训练的图片是3类：cloudy、rain、shine。我们训练完，让模型对一张陌生图片进行分类，也会是其中之一。就算不像，结果也得是：分类 cloudy, 得分 0.01。这就是分类问题。除此之外还有一个回归问题，它能给出无限的结果，比如明天的股市数据。
# 分类名称
names = ['cloudy', 'rain', 'shine']
有了图片数据，就有了种子。趁着热乎劲儿，我们先来搭建卷积神经网络。
本次选择TensorFlow作为AI框架。我的原则是小数据量用TensorFlow，大数据量用Torch。
以下代码运行环境：
python 3.9,tensorflow 2.6。
3.1 神经网络结构
首先导入tensorflow的包。然后构建一个卷积神经网络。
import tensorflow as tf
from tensorflow.keras import layers
from tensorflow.keras.models import Sequential
model = Sequential([
layers.Rescaling(1./255, input_shape=(200, 200, 3)),
layers.Conv2D(16, 3, padding='same', activation='relu'),
layers.MaxPooling2D(),
layers.Conv2D(32, 3, padding='same', activation='relu'),
layers.MaxPooling2D(),
layers.Conv2D(64, 3, padding='same', activation='relu'),
layers.MaxPooling2D(),
layers.Dropout(0.2),
layers.Flatten(),
layers.Dense(128, activation='relu'),
layers.Dense(3)])
前面我们已经学过了卷积神经网络的结构。它的入口是图片数据，后面是卷积层和池化层循环交替。随后，接上全连接层，直达分类的输出。
我们看上面的代码也是这样。主体是卷积层Conv2D搭配着池化层MaxPooling2D。最上层的input_shape=(200, 200, 3)是图片输入的尺寸，表示200×200像素，3代表RGB三通道。到最后Dense(3)输出3个分类。这就是我们设计的网络。
里面的多少个卷积核，每个是几×几，这个我们自己定，就跟搭积木似的，调这些玩意儿才是最终乐趣。
有两点需要说明一下：
Dropout(0.2)可以不用。这才是灭霸的响指，它是真的随机断掉20%的参数。目的是避免过拟合。你想啊，剩下的80%都能预测准确，那么它的通用性肯定差不了。Flatten()也叫“拉平层”。我们输入的图片以及后面的卷积池化，都是2维的，有宽有高。但最终我们要输出3分类，这是1维的。因此通过拉平层把2维拉成1维。即：[[1,2],[3,4]]->[1,2,3,4]。方便后面计算。
神经网络的搭建就这么简单。请记住我们已经有了一个model，就是刚才通过Sequential实例化出来的，后面还会用到。
3.2 训练数据
有了神经网络。下面要将数据交给它去训练。通过训练，会把模型里的每个层的模型参数给练出来。于是，它才能实现从量变到质变，拥有智慧，实现自我分类。
# 加载训练数据
train_ds = tf.keras.utils.image_dataset_from_directory(
"datasets", image_size=(200, 200), batch_size=24)
我们已经准备好训练的图片文件夹datasets了。现在就加载这些数据。并且把里面的图片都规范成image_size=(200, 200)。batch_size=24是把数据以24个化为一组，不然太大吃不下。
如果你执行上面的代码的话，控制台会打印如下内容：
Found 768 files belonging to 3 classes.
它说找到了768个文件，属于3个分类。这正好对应我的datasets文件夹下3个子文件夹和768张图片。
随后，给模型model配置一下，然后启动训练。
model.compile(optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=['accuracy'])
cp_callback = tf.keras.callbacks.ModelCheckpoint(filepath="tf2/checkpoint", save_weights_only=True)
model.fit(train_ds, epochs=10, callbacks=[cp_callback])
model.compile是配置优化器选adam。其余配置损失函数，衡量指标，这些记住就可以。对初学来说，一般不会变。
ModelCheckpoint指定了权重保存的策略，也就是训练结果保存路径是tf2/checkpoint，只保存权重。
model.fit这一行代码就是说对train_ds数据进行训练，训练10个轮次，训练结果回调权重保存策略。
如果执行正常的话，会有如下打印：
Epoch 1/10
32/32 [==========] - loss: 0.8752 - accuracy: 0.6589
Epoch 2/10
32/32 [==========] - loss: 0.4711 - accuracy: 0.8255
Epoch 3/10
32/32 [==========] - loss: 0.3381 - accuracy: 0.8854
Epoch 4/10
……
Epoch 9/10
32/32 [==========] - loss: 0.1136 - accuracy: 0.9583
Epoch 10/10
32/32 [==========] - loss: 0.0623 - accuracy: 0.9831
训练10个Epoch。总共768张图，每个batch是24，所以需要768/24=32次才能遍历一次。
accuracy是准确率，随着Epoch增加，准确率已经到了98%以上。
每一个Epoch结束后，你去看tf文件夹下，会生成模型的权重。
mian.py
[datasets]
[tf] 权重文件夹
|--- checkpoint
|--- checkpoint.data-00000-of-00001
|--- checkpoint.index
好吧，这就训练完了！
3.3 预测数据
我从网上搜到这么一张图片，这是模型从未见过的图片。
我们来预测一下，它会属于哪个分类。
# 加载模型
model.load_weights("tf2/checkpoint")
# 导入图片
img = tf.keras.utils.load_img("test.png", target_size=(200, 200))
img_array = tf.keras.utils.img_to_array(img)
img_array = tf.expand_dims(img_array, 0)
# 进行预测
predictions = model.predict(img_array)
score = tf.nn.softmax(predictions[0])
# 输出分类
print( "分类 {}, 得分 {:.2f}".format(names[np.argmax(score)], 100*np.max(score)))
上面代码是利用tensorflow加载图片，并转换为模型需要的格式。调用model.predict可以进行预测。最终结果是一批独热数据，通过tf.nn.softmax可以读出来。
如果一切正常，控制台会输出：
1/1 [==========] - 0s 171ms/step
分类 cloudy, 得分 78.98
是的，这张图确实是多云。看来，模型还是挺有作用的。
四、小总结
最后，我给大家布置个作业。虽然文中讲解的内容已经够用。但我还是将更加健壮的代码上传到了Github。地址是github.com/hlwgy/jueji…
里面涉及到了一些细节，比如数据缓存、验证集、训练曲线等。大家可以查看完整代码，去了解更细致的知识。
很棒，我讲完了，您听完了。您现在可以训练自己的数据，去实现自己的业务。不用花钱买API接口，想怎么玩就怎么玩！
关键是，它也不复杂呀！
本文为稀土掘金技术社区首发签约文章，30天内禁止转载，30天后未获授权禁止转载，侵权必究！
