1个小时！从零制作一个！ AI图片识别WEB应用！

0 前言

近些年来，所谓的人工智能也就是AI。

在媒体的炒作下，变得神乎其神，但实际上，类似于图片识别的AI，其原理只不过是数学的应用。

线性代数，概率论，微积分(著名的反向传播算法)。

大家觉得这些东西离自己很远，没错！

这东西底层实在是很难，斯坦福公开课网站上(Coursera), 有吴恩达教授的机器学习课程，需要利用Matlab用向量化的编程方式完成线性回归，逻辑回归，甚至是神经网络，以及反向传播代码。这些内容无论在任何方面都是艰涩的难以理解的。

而这只能算是人工智能机器学习的入门课程。本人21年利用零碎时间将近3个月，拿到了这门课的证书，99分，到现今几乎忘的差不多了。再纯手写神经网络已经写不出来了。

但是时间在向前流动，一些所谓难以触及的东西也在普及化。汽车，电脑，飞机，智能电话...。

人工智能也不例外！如今随着技术的发展，以及抽象。我们有现成的框架，可以非常方便制作属于自己的AI。

这篇博文，会从数据搜集，模型训练，web应用来做一个可用的图片识别AI项目。(当然是缩减版本，有许多需要优化的地方。)

最终结果如下：

1 数据搜集

1.1 为什么需要数据？

数据对于AI程序来说非常重要，AI程序通过对数据的观察，来获取对于事物的“理解”。

举个例子：给Ai看10张猫咪的照片后，当AI看到新的猫咪后，会识别出这是一个猫咪。

这看似与人类很像，但实际上有非常大的不同！

总的来说，数据越多，AI程序识别的效果也会更好。近几十年中，神经网络的逆袭之路就是因为数据的爆发。

1.2 如何搜集数据？

图片数据的搜集可以用手机来拍摄，之后让AI学习。这是可行的，但是是低效的。
通过爬虫来进行图片的爬取。速度快，质量低。

这里我们使用一个百度图片搜索的爬虫，即将百度图片搜索到的图片爬取到本地上来。

1.3 百度图片爬取

前导条件：

Python3.7
requets包
- >>pip install requests -i https://pypi.tuna.tsinghua.edu.cn/simple 从清华那里把这个python组件给下载回来。

import os
import sys
import re
import requests

class baidu_img_crawl():

        def __init__(self):
                # after ? we use the get method to transefer a request
                self.target_url = "https://image.baidu.com/search/acjson?"

                # we use this to pretend we're a normal human being
                self.headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/102.0.0.0 Safari/537.36"}

                # The name of the picture to be searched, using Baidu Image Search Engine
                #       self.keyword = input("Enter your food type:")
                self.keyword = sys.argv[1]

                # One respones page equal to 30 images
                #       self.page_nums = int(input("Enter the number of pages you need:"))
                self.page_nums = int(sys.argv[2])

                #       self.file_name = input("Enter the file name where you want to store:")
                self.file_name = sys.argv[3]

        def generate_GET_params(self):
                params = []

                for page_num in range(1, self.page_nums+1):
                        # params from F12 network Fetch/XHR json payload:
                        # word = queryword := search keyword
                        # pn = 30*pageNum       gsm = hex(pn)
                        params.append('tn=resultjson_com&logid=7230074900925652532&ipn=rj&ct=201326592&is=&fp=result&\
                                        fr=&word={}&queryWord={}\
                                        &cl=2&lm=-1&ie=utf-8&oe=utf-8&adpicid=&st=-1&z=undefined&ic=undefined&hd=undefined&latest=undefined&copyright=undefined&\
                                        s=&se=&tab=&width=undefined&height=undefined&face=0&istype=2&qc=&nc=1&expermode=&nojc=&isAsync=&pn={}&rn=30&\
                                        gsm={}&1657782304389='.format(self.keyword, self.keyword, 30*page_num, hex(30*page_num)[2:]))
                return params

        def get_request_url_list(self, params):
                request_urls = []

                for param in params:
                        request_urls.append(self.target_url + param)

                return request_urls

        def get_image_url_list(self, request_urls):
                image_urls = []
                for request_url in request_urls:
                        #{"data":[{1,"thumb":"https:xxx.com"},{2},...,{30},{NULL}]}
                        json_txt = requests.get(request_url, headers=self.headers).text
                        image_urls += re.findall(r'"thumbURL":"(.*?)",', json_txt)

                return image_urls

        def download_image(self, image_urls):
                store_path = r'../' + self.file_name

                if not os.path.exists(store_path):
                        os.makedirs(store_path)

                index = 0
                for image_url in image_urls:
                        with open(os.path.join(store_path, str(index) + ".jpg"),"wb") as f: 		# with写文件不用关
                              f.write(requests.get(image_url, headers=self.headers).content)
                        index += 1
                        if index % 30 == 0:
                                print("Page {} is downloaded!".format(index/30))

		#  Python 类中一个非常特殊的实例方法，即 __call__()
        #  该方法的功能类似于在类中重载 () 运算符，使得类实例对象可以像调用普通函数那样，以“对象名()”的形式使用。
        def __call__(self):
                params = self.generate_GET_params()
                request_urls = self.get_request_url_list(params)
                image_urls = self.get_image_url_list(request_urls)
                self.download_image(image_urls)

if __name__ == '__main__':
    spider = baidu_img_crawl()
    spider()

1.3.1 程序解释

web的基本原理：你访问一个链接url，会向web服务器发送一个关于这个url的请求，web服务器会根据这个url给你一个答复，浏览器会根据这个答复进行页面的构建。你的一次访问就成功了。

爬虫的基本原理：自动访问链接，获取答复，对于答复进行数据分离，并下载到本地。

百度的图片搜索引擎会根据你搜索的关键词，自动的生成url链接，并且向百度web服务器进行请求这个链接，而百度返回的答复里就有这些图片的资源。

我们的爬虫所要做的就是：

自动生成类似百度图片引擎的url链接
- params = self.generate_GET_params()
- request_urls = self.get_request_url_list(params)
访问这些链接，并分离图片资源链接
- image_urls = self.get_image_url_list(request_urls)
我们把这些图片资源进本地下载
- self.download_image(image_urls)

1.3.2 程序使用

将本程序保存为 spider.py。

命令行中切换到此程序所在路径。

python .\spider.py 冰激淋 20 foodData/ice-cream

会在脚本的上级目录foodData下创建Ice-cream文件，并下载 600=20*30 张冰激淋的图片。

1.3.3 项目构建

首先创建项目文件夹： AI_FOOD
接着创建存放图片数据的子文件夹： AI_FOOD/food
在接着创建存放爬虫脚本的文件夹: AI_FOOD/food/food_script
把爬虫代码保存为：AI_FOOD/food/food_script/spyder.py
命令行使用爬虫爬取: python .\spider.py 冰激淋 20 foodData/ice-cream

完成下载之后：

接着我们再下载5个类别！每个类别600张

python .\spider.py 汉堡包 20 foodData/hamburger
python .\spider.py 蛋挞 20 foodData/tart
python .\spider.py 甜甜圈 20 foodData/donut
python .\spider.py 披萨 20 foodData/pizza
python .\spider.py 米饭 20 foodData/rice

注：图片中的演示只下载了60=2*30张，是为了好截图。实际操作按照上述代码进行操作！

2. AI模型训练

现在我们已经将数据搜集过来了。

接下来就是进行模型的训练。

在进行训练时，我们通常将所有数据分为三个部分：

训练集：拿这部分的数据进行模型的训练，就是拿这里的图片给 AI程序学习。
交叉验证集：拿这部分的数据进行模型训练结果的验证，这部分给出了当前模型的效果，如果效果不好，可以在之后更换模型或者算法！
测试集：交叉验证集评估出了不错的模型，我们将用此模型在测试集上观察实际效果。

2.1 数据划分

六个类别分别分到训练集文件夹，交叉验证集文件夹，测试集文件夹，所以最后会出现 3*6 = 18个文件夹。

import os, shutil

def mkdirs(path):
    if not os.path.exists(path):
        os.makedirs(path)

def split_data(src_dir, dst_dir, train_prop, val_prop, test_prop):
    # 我们使用 kreas 一个文件夹代表一个种类 的 数据处理函数
    src_classes = os.listdir(src_dir)

    data_sets = ['train', 'val', 'test']

    for data_set in data_sets:
        for src_class in src_classes:
            mkdirs(os.path.join(dst_dir, data_set, src_class))

    for src_class in src_classes:
        class_images = os.listdir(os.path.join(src_dir, src_class))
        num = len(class_images)

        train_class_images = class_images[:int(num * train_prop)]
        val_class_images = class_images[int(num * train_prop): int(num * (train_prop + val_prop))]
        test_class_images = class_images[int(num * (train_prop + val_prop)):]

        print("Copying class:{} to train set!".format(src_class))
        for class_image in train_class_images:
            src = os.path.join(src_dir, src_class, class_image)
            dst = os.path.join(dst_dir, 'train' , src_class,  class_image)
            shutil.copyfile(src, dst)

        print("Copying class:{} to val set!".format(src_class))
        for class_image in val_class_images:
            src = os.path.join(src_dir, src_class, class_image)
            dst = os.path.join(dst_dir, 'val' , src_class,  class_image)
            shutil.copyfile(src, dst)

        print("Copying class:{} to test set!".format(src_class))
        for class_image in test_class_images:
            src = os.path.join(src_dir, src_class, class_image)
            dst = os.path.join(dst_dir, 'test' , src_class,  class_image)
            shutil.copyfile(src, dst)

        print("train_num:{}, val_num:{}, test_num:{}".format(len(train_class_images), len(val_class_images), len(test_class_images)))

    print('done!')


if __name__ == '__main__':
    src_dir = "foodData"
    dst_dir = "foodData_cnn_split"
    split_data(src_dir, dst_dir, 0.5, 0.25, 0.25)

此程序的运行需要指定：

src_dir: 为我们搜集到的数据的一级文件夹，里面存放这6个类别的图片！
dst_dir: 为我们对于src_dir里图片的划分的文件夹(会根据你所写的名字自动创建)，里面存放这6个类别的图片！
train_prop: 为训练集的比例。300
val_prop: 为验证集的比例。150
test_prop: 为测试集的比例。150

2.2 项目构建

首先将上述代码保存为：split.py
接着将split.py放到： AI_FOOD/food/split.py 也就是与 foodData 文件夹同一级目录。
直接运行该文件即可！

Copying class:donut to train set!
Copying class:donut to val set!
Copying class:donut to test set!
Copying class:hamburger to train set!
Copying class:hamburger to val set!
Copying class:hamburger to test set!
Copying class:ice-cream to train set!
Copying class:ice-cream to val set!
Copying class:ice-cream to test set!
Copying class:pizza to train set!
Copying class:pizza to val set!
Copying class:pizza to test set!
Copying class:rice to train set!
Copying class:rice to val set!
Copying class:rice to test set!
Copying class:tart to train set!
Copying class:tart to val set!
Copying class:tart to test set!
done!

2.3 模型训练

Keras是一个由Python编写的开源人工神经网络库，可以作为Tensorflow、Microsoft-CNTK和Theano的高阶应用程序接口，进行深度学习模型的设计、调试、评估、应用和可视化。

将人工智能程序变得简单了许多！甚至是编程小白都可以熟练的使用。

构建一个AI只需要3个函数即可完成。

2.4 AI 是什么

这里对于图片分类CNN卷积神经网络AI进行一个解释。

我们知道，计算机里都是数字(二进制)，无论是文本还是视频，还是图片，在计算机看来都是数字。

有数字就有函数。

数字 \(x\)	结果 \(y\)
1	2
2	3
3	4
4	5

\[y=x+1 \]

例如一个40*40的灰度手写体数字图片(0-9)，既为1600个像素点，每一个像素点为一个数字，所以有1600个数字(特征)。每1600个数字对应10个数字(标签)。

我们把这1600个自变量输入到AI中，AI会自动找到匹配10个因变量的特定函数。

就是这么简单。

我们所要做的就是将图片还原为数字的形式。将自变量数字以及因变量数字输入到设定好的AI算法中(寻找函数的算法)。

寻找函数的过程称之为训练，使用的算法为反向传播，核心为微积分的链式求导法则。

普通算法为将1600个自变量送入AI进行训练，但这个计算量会非常大！

而CNN卷积神经网络的工作就是将1600个自变量变为更少数量的自变量(eg.512), 但是还可以保留原来自变量的特征！

2.5 keras CNN—AI模型　构建及训练

首先下载 tensorflow包
- >>pip install tensorflow -i https://pypi.tuna.tsinghua.edu.cn/simple 从清华那里把这个python组件给下载回来。

from keras import layers
from keras import models
from keras.preprocessing.image import ImageDataGenerator
import matplotlib.pyplot as plt
from tensorflow import optimizers
import tensorflow as tf
import os

# model build

model = models.Sequential()

model.add(layers.Conv2D(32, (3, 3), activation='relu',input_shape=(224, 224, 3)))
model.add(layers.MaxPooling2D((2, 2)))

model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))

model.add(layers.Conv2D(128, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))

model.add(layers.Conv2D(128, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))


model.add(layers.Flatten())
model.add(layers.Dropout(0.1))
model.add(layers.Dense(512, activation='relu'))
model.add(layers.Dense(6, activation='softmax'))

model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy'])

model.summary()


# Data preprocessing and Using data augmentation
train_dir = './foodData_cnn_split/train'
validation_dir = './foodData_cnn_split/val'

train_datagen = ImageDataGenerator(
                    rescale=1./255,
                    rotation_range=40,
                    width_shift_range=0.2,
                    height_shift_range=0.2,
                    shear_range=0.2,
                    zoom_range=0.2,
                    horizontal_flip=True,
                    fill_mode='nearest')

test_datagen = ImageDataGenerator(rescale=1./255)

train_generator = train_datagen.flow_from_directory(
                    train_dir,
                    target_size=(224, 224),
                    batch_size=30,  # 每次找30张图片变换
                    # save_to_dir = './train_gen', 这个会把数据增强的图片保存下来
                    class_mode='categorical')

validation_generator = test_datagen.flow_from_directory(
                    validation_dir,
                    target_size=(224, 224),
                    batch_size=30,
                    class_mode='categorical')

if not os.path.exists('./train_gen'):
    os.mkdir('./train_gen')

print(train_generator.class_indices)   # 输出对应的标签文件夹

# fit the model
history = model.fit(
                    train_generator,
                    steps_per_epoch=300*6//30,  # 总计1800张图片，每次30张，所以需要60次可以遍历一遍
                    epochs=3,
                    validation_data=validation_generator,
                    validation_steps=150*6//30)

# save the model
model.save('six_class_cnn.h5')

# show train data

acc = history.history['accuracy']
val_acc = history.history['val_accuracy']
loss = history.history['loss']
val_loss = history.history['val_loss']

epochs = range(1, len(acc) + 1)

plt.plot(epochs, acc, 'bo', label='Training acc')
plt.plot(epochs, val_acc, 'b', label='Validation acc')
plt.title('Training and validation accuracy')
plt.legend()

plt.figure()

plt.plot(epochs, loss, 'bo', label='Training loss')
plt.plot(epochs, val_loss, 'b', label='Validation loss')
plt.title('Training and validation loss')
plt.legend()

plt.show()

model = models.Sequential(): 进行AI模型的构建(寻找函数的方式)
model.compile(): 进行AI模型的编译
model.summary(): 输出AI模型的详细信息
model.fit()：进行模型的训练(函数寻找)
model.save(): 将训练过后的模型保存(函数最终模式)

1800张训练图片，6个分类。遍历3遍(epoch=3)进行训练。最后输出训练过程的图片。

遍历次数越多，找到的模型预测结果越准确(当然有一个最佳遍历次数，遍历越多，对于训练集的识别越准确，因此，对于其他的数据集识别率反而会下降，简称过拟合。)，但是如果数据或算法不好，预测的结果准确率会有上限。

这里因为时间关系，就只遍历了3遍，遍历次数越多，时间越长！
如果需要更好的效果，可以将设置 epoch=50

2.6 项目构建

首先将上述代码保存为：train_cnn.py
接着将 train_cnn.py 放到： AI_FOOD/food/train_cnn.py 也就是与 foodData 文件夹同一级目录。
直接运行该文件即可！最后得到模型，之后直接拿这个模型预测即可！

3 Python Flask AI 上 web

Flask是一个Python的后端轻量框架，非常简单以及轻简。

3.1 Flask环境搭建以及文件结构

首先下载 Flask包
- >>pip install Flask -i https://pypi.tuna.tsinghua.edu.cn/simple 从清华那里把这个python组件给下载回来。
文件结构：

AI_FOOD/web
		|___static
			|__Image：存放上传后的图片
			|__CSS：存放bootstrap.min.css样式文件
		|__templates
			|__index.html：前端模板
		|__six_class_cnn.h5：训练好的模型
		|__predict.py：预测脚本
		|__index.py：后端代码

3.2 后端代码

# index.py
import os
import urllib.request
import time
from flask import Flask, flash, request, redirect, url_for, render_template
from werkzeug.utils import secure_filename
from predict import predict

app = Flask(__name__)

app.config["SECRET_KEY"] = 'TPmi4aLWRbyVq8zu9v82dWYW1'
ALLOWED_EXTENSIONS = set(['png', 'jpg', 'jpeg', 'gif'])


def allowed_file(filename):
    return '.' in filename and filename.rsplit('.', 1)[1].lower() in ALLOWED_EXTENSIONS


@app.route('/')
def upload_form():
    return render_template('index.html')


@app.route('/', methods=['POST'])
def upload_image():
    if 'file' not in request.files:
        flash('No file part')
        return redirect(request.url)
    file = request.files['file']
    if file.filename == '':
        flash('No image selected for uploading')
        return redirect(request.url)
    if file and allowed_file(file.filename):
        filename = str(int(time.time())) + secure_filename(file.filename)
        file.save(os.path.join("static/Image", filename))
        # print('upload_image filename: ' + filename)
        class_names = ['donut', 'hamburger', 'ice-cream' ,'pizza', 'rice','tart']
        type_class, outputs = predict(os.path.join("static/Image", filename))
        flash('Image successfully uploaded and displayed below')
        return render_template('index.html', filename=filename, type_class=type_class, outputs=outputs, class_names=class_names)
    else:
        flash('Allowed image types are -> png, jpg, jpeg, gif')
        return redirect(request.url)


@app.route('/display/<filename>')
def display_image(filename):
    print('display_image filename: ' + filename)
    return redirect(url_for('static', filename='Image/'+filename), code=301)


if __name__ == '__main__':
    # 运行本项目，host=0.0.0.0可以让其他电脑也能访问到该网站，port指定访问的端口。默认的host是127.0.0.1，port为5000
    app.run(host='0.0.0.0',port=9000)

3.3 前端代码

index.html

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <meta http-equiv="X-UA-Compatible" content="IE=edge">
    <meta name="viewport" content="width=device-width, initial-scale=1.0">
    <link rel="stylesheet" type="text/css" href="{{url_for('static', filename='CSS/'+'bootstrap.min.css')}}">
    <title>Document</title>
</head>
<body>

    <nav class="navbar navbar-expand-lg navbar-dark bg-primary">
        <div class="container-fluid">
          <a class="navbar-brand" href="#">Navbar</a>
          <button class="navbar-toggler" type="button" data-bs-toggle="collapse" data-bs-target="#navbarColor01" aria-controls="navbarColor01" aria-expanded="false" aria-label="Toggle navigation">
            <span class="navbar-toggler-icon"></span>
          </button>
          <div class="collapse navbar-collapse" id="navbarColor01">
            <ul class="navbar-nav me-auto">
              <li class="nav-item">
                <a class="nav-link active" href="#">Home
                  <span class="visually-hidden">(current)</span>
                </a>
              </li>
              <li class="nav-item">
                <a class="nav-link" href="#">Features</a>
              </li>
              <li class="nav-item">
                <a class="nav-link" href="#">Pricing</a>
              </li>
              <li class="nav-item">
                <a class="nav-link" href="#">About</a>
              </li>
              <li class="nav-item dropdown">
                <a class="nav-link dropdown-toggle" data-bs-toggle="dropdown" href="#" role="button" aria-haspopup="true" aria-expanded="false">Dropdown</a>
                <div class="dropdown-menu">
                  <a class="dropdown-item" href="#">Action</a>
                  <a class="dropdown-item" href="#">Another action</a>
                  <a class="dropdown-item" href="#">Something else here</a>
                  <div class="dropdown-divider"></div>
                  <a class="dropdown-item" href="#">Separated link</a>
                </div>
              </li>
            </ul>
            <form class="d-flex">
              <input class="form-control me-sm-2" type="text" placeholder="Search">
              <button class="btn btn-secondary my-2 my-sm-0" type="submit">Search</button>
            </form>
          </div>
        </div>
      </nav>

      <div class="container-fluid">
        <div class="row">
            <div class="col-md-4">
                <!-- space -->
            </div>
            <div class="col-md-4">
                <!-- space -->
                <h2>Select a file to upload</h2>
                <p>
                    {% with messages = get_flashed_messages() %}
                    {% if messages %}
                        <ul>
                        {% for message in messages %}
                        <li>{{ message }}</li>
                        {% endfor %}
                        </ul>
                    {% endif %}
                    {% endwith %}
                </p>
                {% if filename %}
                    <div>
                        <img src="{{ url_for('display_image', filename=filename) }}">
                    </div>
                    <div>
                        <h1>{{type_class}}</h1>
                    </div>

                    <ul>

                    {% for i in range(6) %}
                         <li>{{ class_names[i]}}:{{outputs[0][i]*100}}</li>
                    {% endfor %}
                    </ul>
                {% endif %}
                <!-- space -->
                <form method="post" action="/" enctype="multipart/form-data">
                    <fieldset>
                      <div class="form-group">
                        <label for="formFile" class="form-label mt-4">Choose an Image!</label>
                        <input class="form-control" type="file" id="formFile" name="file" autocomplete="off" required>

                          <p></p>
                        <div class="progress">
                            <div class="progress-bar progress-bar-striped progress-bar-animated" role="progressbar" aria-valuenow="75" aria-valuemin="0" aria-valuemax="100" style="width: 75%;"></div>
                        </div>
                          <p></p>
                          <input type="submit" class="btn btn-primary">
                      </div>
                    </fieldset>
                </form>

                <p></p>


            </div>
            <div class="col-md-4">
                <!-- space -->
            </div>
        </div>
    </div>

</body>
</html>

3.4 css样式代码

https://bootswatch.com/5/sketchy/bootstrap.min.css

保存并放置在相应文件夹。

3.5 预测代码

predict.py

import tensorflow as tf
from PIL import Image
import numpy as np

def predict(filename):
    model = tf.keras.models.load_model("six_class_cnn.h5")  #  {'donut': 0, 'hamburger': 1, 'ice-cream': 2, 'pizza': 3, 'rice': 4, 'tart': 5}

    class_names = ['donut', 'hamburger', 'ice-cream' ,'pizza', 'rice','tart']
    img = Image.open(filename)  # 读取图片
    img = img.resize((224,224),Image.ANTIALIAS)
    img = np.asarray(img)  # 将图片转化为numpy的数组
    outputs = model.predict(img.reshape(1, 224, 224, 3))  # 将图片输入模型得到结果
    result_index = int(np.argmax(outputs))
    result = class_names[result_index]  # 获得对应的水果名称
    acc =  outputs[0][result_index]*100
    print("The class is:{}, the acc is {}%".format(result, acc))
    return "The class is:{}, the acc is {}%".format(result, acc), outputs

if __name__ == '__main__':
    predict("static/Image/16589928990.jpg")

4. 最终结果

无论如何，我们已经看到了，在当下搭建一个AI应用是多么简单，从零开始。经过数据搜集，模型训练，模型上web。1个小时足以发布到互联网。

我对深度学习特别乐观，因为即使未来十年没有进一步的技术进展，将现有算法部署到所有适用的问题上，就能够带来大多数行业的变革。深度学习就是一场革命，目前正以惊人的速度快速发展，这得益于在资源和人力上的指数式投资。从我的立场来看，未来很光明，尽管短期期望有些过于乐观。将深度学习部署到可能应用的所有领域需要超过十年的时间。__Keras 创始人

虽然现在制作非常简单。利用卷积神经网络，可以组建各个领域的图片识别应用，日常，医学影像。并以此创造出巨大的价值！

参考各大AI初创公司！几年时间，利用卷积神经网络算法，融资额度可以上达数十亿元人民币。

5. Refference

《Python 深度学习》

本文由Dba_sys创作，首发于博客园。2022.8.01
文章会随时改动，要到博客园里看偶。一些网站会爬取本文章，但是可能会有出入。
转载请注明出处哦（￣︶￣）↗
https://www.cnblogs.com/asmurmur/

posted @ 2022-08-01 18:54 Dba_sys 阅读(2060) 评论(2) 编辑收藏举报

刷新页面返回顶部

Dba_sys

有理想的人是幸福的

1个小时！从零制作一个！ AI图片识别WEB应用！

0 前言

1 数据搜集

1.1 为什么需要数据？

1.2 如何搜集数据？

1.3 百度图片爬取

1.3.1 程序解释

1.3.2 程序使用

1.3.3 项目构建

2. AI模型训练

2.1 数据划分

2.2 项目构建

2.3 模型训练

2.4 AI 是什么

2.5 keras CNN—AI模型　构建及训练

2.6 项目构建

3 Python Flask AI 上 web

3.1 Flask环境搭建以及文件结构

3.2 后端代码

3.3 前端代码

3.4 css样式代码

3.5 预测代码

4. 最终结果

5. Refference

公告

Dba_sys

有理想的人是幸福的

1个小时！从零制作一个！ AI图片识别WEB应用！

0 前言

1 数据搜集

1.1 为什么需要数据？

1.2 如何搜集数据？

1.3 百度图片爬取

1.3.1 程序解释

1.3.2 程序使用

1.3.3 项目构建

2. AI模型训练

2.1 数据划分

2.2 项目构建

2.3 模型训练

2.4 AI 是什么

2.5 keras CNN—AI模型 构建及训练

2.6 项目构建

3 Python Flask AI 上 web

3.1 Flask环境搭建以及文件结构

3.2 后端代码

3.3 前端代码

3.4 css样式代码

3.5 预测代码

4. 最终结果

5. Refference

公告

2.5 keras CNN—AI模型　构建及训练