手把手带你进入AI的世界，让你消除对AI技术壁垒过高的恐惧

从年初起，几家国际大厂的开发者大会，无论是微软Build、Facebook F8还是稍后的Google I/O，莫不把“AI优先”的大旗扯上云霄。

如果这一波AI大潮只是空喊几句口号，空提几个战略，空有几家炙手可热的创业公司，那当然成不了什么大气候。但风浪之下，我们看到的却是，Google一线的各大业务纷纷改用深度学习，落伍移动时代的微软则已拉起一支近万人的AI队伍。而国内一线大厂的情况，更是把AI牢牢把握住，试图再创高峰。

今天本文将分享一篇AI入门实战的项目经验分享，手把手带你进入AI的世界，让你消除对AI技术壁垒过高的恐惧~

【AI项目实战】多标签图像分类竞赛小试牛刀

初次拿到这个题目，想了想做过了猫狗大战这样的二分类，也做过cifar-10这样的多分类，类似本次比赛的题目多标签图像分类的确没有尝试过。6941个标签，每张图片可能没有标签也可能存在6941个标签，即各个标签之间是不存在互斥关系的，所以最终分类的损失函数不能用softmax而必须要用sigmoid。然后把分类层预测6941个神经元，每个神经元用sigmoid函数返回是否存在某个标签即可。

来蹚下整个流程看看，在jupyter notebook上做得比较乱，但是整个流程还是可以看出来的。深度学习模型用的Keras。

先导入train_csv数据，这里用的是最初版的训练csv文件，img_path里存在地址，后面做了处理。

code

import pandas as pdimport numpy as npimport matplotlib.pyplot as plt%matplotlib inlinefrom glob import globfrom tqdm import tqdmimport cv2from PIL import Imagetrain_path = 'visual_china_train.csv'train_df = pd.read_csv(train_path)train_df.head()

codetrain_df.shape#(35000, 2)

可以看到总共有35000张训练图片，第一列为图片名称（带地址，需处理），第二列为图片对应标签。

来看下是不是的确只有6941个标签：

code

tags = []for i in range(train_df['tags'].shape[0]):    for tag in train_df['tags'].iloc[i].split(','):        tags.append(tag)tags = set(tags)len(tags)#6941

事实证明标签总数无误，可以放心大胆地继续进行下去了。

然后我处理了下图片名称，并存到了img_paths列表里。

code

#如果使用的是官方后来更新的visual_china_train.csv，可以直接使用最后一行代码for i in range(35000):    train_df['img_path'].iloc[i] = train_df['img_path'].iloc[i].split('/')[-1]img_paths = list(train_df['img_path'])

定义三个函数，其中：

hash_tag函数读入valid_tags.txt文件，并存入字典，形成索引和标签的对照。

load_ytrain函数读入tag_train.npz文件，并返回训练集的y_train，形式为ndarray，shape为(35000, 6941)，即35000张图片和对应标签的one-hot编码。

arr2tag函数将预测结果的y_pred转变成对应的中文标签。（实际上最后还需要做下处理）

code

def hash_tag(filepath):    fo = open(filepath, "r",encoding='utf-8')    hash_tag = {}    i = 0    for line in fo.readlines():     #依次读取每行          line = line.strip()         #去掉每行头尾空白          hash_tag[i] = line        i += 1    return hash_tagdef load_ytrain(filepath):      y_train = np.load(filepath)    y_train = y_train['tag_train']    return y_traindef arr2tag(arr):    tags = []    for i in range(arr.shape[0]):        tag = []        index = np.where(arr[i] > 0.5)          index = index[0].tolist()        tag =  [hash_tag[j] for j in index]        tags.append(tag)    return tags

读入valid_tags.txt，并生成索引和标签的映射。

code

filepath = "valid_tags.txt"hash_tag = hash_tag(filepath)hash_tag[1]#'0到1个月'

载入y_train

code

y_train = load_ytrain('tag_train.npz')y_train.shape#(35000, 6941)

前期准备工作差不多做完了，开始导入训练集。此处有个坑，即原始训练集中存在CMYK格式的图片，传统图片处理一般为RGB格式，所以使用Image库中的convert函数对非RGB格式的图片进行转换。

code

nub_train = 5000  #可修改，前期尝试少量数据验证模型X_train = np.zeros((nub_train,224,224,3),dtype=np.uint8)i = 0for img_path in img_paths[:nub_train]:    img = Image.open('train/' + img_path)    if img.mode != 'RGB':        img = img.convert('RGB')    img = img.resize((224,224))    arr = np.asarray(img)    X_train[i,:,:,:] = arr    i += 1

训练集导入完成，来看图片的样子，判断下图片有没有读入错误之类的问题。

code

fig,axes = plt.subplots(6,6,figsize=(20, 20))j = 0for i,img in enumerate(X_train[:36]):    axes[i//6,j%6].imshow(img)    j+=1

看样子还不错，go on！ 训练集的X_train、y_train都拿到了，分割出验证集。这里要说明一下，官方的y_train里图片名称与X_train里图片名称是对应的所以可以直接分割。

code

from sklearn.model_selection import train_test_splitX_train2,X_val,y_train2,y_val = train_test_split(X_train, y_train[:nub_train], test_size=0.2, random_state=2018)

数据准备完成，开始搭建模型。咳咳，先从简单的入手哈，此模型仿tinymind上一次的汉字书法识别大赛中“真的学不会”大佬的结构来搭的，又加了些自己的东西，反正简单模型试试水嘛。

code

from keras.layers import *from keras.models import *from keras.optimizers import *from keras.callbacks import *def bn_prelu(x):    x = BatchNormalization()(x)    x = PReLU()(x)    return xdef build_model(out_dims, input_shape=(224, 224, 3)):    inputs_dim = Input(input_shape)    x = Lambda(lambda x: x / 255.0)(inputs_dim) #在模型里进行归一化预处理    x = Conv2D(16, (3, 3), strides=(2, 2), padding='same')(x)    x = bn_prelu(x)    x = Conv2D(16, (3, 3), strides=(1, 1), padding='same')(x)    x = bn_prelu(x)    x = MaxPool2D(pool_size=(2, 2))(x)    x = Conv2D(32, (3, 3), strides=(1, 1), padding='same')(x)    x = bn_prelu(x)    x = Conv2D(32, (3, 3), strides=(1, 1), padding='same')(x)    x = bn_prelu(x)    x = MaxPool2D(pool_size=(2, 2))(x)    x = Conv2D(64, (3, 3), strides=(1, 1), padding='same')(x)    x = bn_prelu(x)    x = MaxPool2D(pool_size=(2, 2))(x)    x = Conv2D(128, (3, 3), strides=(1, 1), padding='same')(x)    x = bn_prelu(x)    x = GlobalAveragePooling2D()(x)    dp_1 = Dropout(0.5)(x)    fc2 = Dense(out_dims)(dp_1)    fc2 = Activation('sigmoid')(fc2) #此处注意，为sigmoid函数    model = Model(inputs=inputs_dim, outputs=fc2)    return model

看下模型结构：

code

model = build_model(6941)model.summary()_________________________________________________________________Layer (type)                 Output Shape              Param #    =================================================================input_1 (InputLayer)         (None, 224, 224, 3)       0          _________________________________________________________________lambda_1 (Lambda)            (None, 224, 224, 3)       0          _________________________________________________________________conv2d_1 (Conv2D)            (None, 112, 112, 16)      448        _________________________________________________________________batch_normalization_1 (Batch (None, 112, 112, 16)      64         _________________________________________________________________p_re_lu_1 (PReLU)            (None, 112, 112, 16)      200704     _________________________________________________________________conv2d_2 (Conv2D)            (None, 112, 112, 16)      2320       _________________________________________________________________batch_normalization_2 (Batch (None, 112, 112, 16)      64         _________________________________________________________________p_re_lu_2 (PReLU)            (None, 112, 112, 16)      200704     _________________________________________________________________max_pooling2d_1 (MaxPooling2 (None, 56, 56, 16)        0          _________________________________________________________________conv2d_3 (Conv2D)            (None, 56, 56, 32)        4640       _________________________________________________________________batch_normalization_3 (Batch (None, 56, 56, 32)        128        _________________________________________________________________p_re_lu_3 (PReLU)            (None, 56, 56, 32)        100352     _________________________________________________________________conv2d_4 (Conv2D)            (None, 56, 56, 32)        9248       _________________________________________________________________batch_normalization_4 (Batch (None, 56, 56, 32)        128        _________________________________________________________________p_re_lu_4 (PReLU)            (None, 56, 56, 32)        100352     _________________________________________________________________max_pooling2d_2 (MaxPooling2 (None, 28, 28, 32)        0          _________________________________________________________________conv2d_5 (Conv2D)            (None, 28, 28, 64)        18496      _________________________________________________________________batch_normalization_5 (Batch (None, 28, 28, 64)        256        _________________________________________________________________p_re_lu_5 (PReLU)            (None, 28, 28, 64)        50176      _________________________________________________________________max_pooling2d_3 (MaxPooling2 (None, 14, 14, 64)        0          _________________________________________________________________conv2d_6 (Conv2D)            (None, 14, 14, 128)       73856      _________________________________________________________________batch_normalization_6 (Batch (None, 14, 14, 128)       512        _________________________________________________________________p_re_lu_6 (PReLU)            (None, 14, 14, 128)       25088      _________________________________________________________________global_average_pooling2d_1 ( (None, 128)               0          _________________________________________________________________dropout_1 (Dropout)          (None, 128)               0          _________________________________________________________________dense_1 (Dense)              (None, 6941)              895389     _________________________________________________________________activation_1 (Activation)    (None, 6941)              0          =================================================================Total params: 1,682,925 Trainable params: 1,682,349 Non-trainable params: 576_________________________________________________________________

由于比赛要求里最终得分标准是fmeasure而不是acc，故网上找来一段代码用以监测训练中查准率、查全率、fmeasure的变化。原地址找不到了，故而无法贴上，罪过罪过。

code

import keras.backend as Kdef precision(y_true, y_pred):    # Calculates the precision    true_positives = K.sum(K.round(K.clip(y_true * y_pred, 0, 1)))    predicted_positives = K.sum(K.round(K.clip(y_pred, 0, 1)))    precision = true_positives / (predicted_positives + K.epsilon())    return precisiondef recall(y_true, y_pred):    # Calculates the recall    true_positives = K.sum(K.round(K.clip(y_true * y_pred, 0, 1)))    possible_positives = K.sum(K.round(K.clip(y_true, 0, 1)))    recall = true_positives / (possible_positives + K.epsilon())    return recalldef fbeta_score(y_true, y_pred, beta=1):    # Calculates the F score, the weighted harmonic mean of precision and recall.    if beta < 0:        raise ValueError('The lowest choosable beta is zero (only precision).')    # If there are no true positives, fix the F score at 0 like sklearn.    if K.sum(K.round(K.clip(y_true, 0, 1))) == 0:        return 0    p = precision(y_true, y_pred)    r = recall(y_true, y_pred)    bb = beta ** 2    fbeta_score = (1 + bb) * (p * r) / (bb * p + r + K.epsilon())    return fbeta_scoredef fmeasure(y_true, y_pred):    # Calculates the f-measure, the harmonic mean of precision and recall.    return fbeta_score(y_true, y_pred, beta=1)

这里稍做图片增强，用Keras里的ImageDataGenerator函数，同时还可生成器方法进行训练。

code

from keras.preprocessing.image import ImageDataGeneratortrain_datagen = ImageDataGenerator(width_shift_range = 0.1,                                  height_shift_range = 0.1,                                  zoom_range = 0.1)val_datagen = ImageDataGenerator()     #验证集不做图片增强batch_size = 8train_generator = train_datagen.flow(X_train2,y_train2,batch_size=batch_size,shuffle=False) val_generator = val_datagen.flow(X_val,y_val,batch_size=batch_size,shuffle=False)

开始训练。这里在ModelCheckpoint里设置monitor监控feasure，mode为max，不再以最低loss作为模型最优的判断标准（个人做法，好坏可自行实验判断）。

code

checkpointer = ModelCheckpoint(filepath='weights_best_simple_model.hdf5',                             monitor='val_fmeasure',verbose=1, save_best_only=True, mode='max')reduce = ReduceLROnPlateau(monitor='val_fmeasure',factor=0.5,patience=2,verbose=1,min_delta=1e-4,mode='max')model.compile(optimizer = 'adam',           loss='binary_crossentropy',           metrics=['accuracy',fmeasure,recall,precision])epochs = 20history = model.fit_generator(train_generator,       validation_data = val_generator,       epochs=epochs,       callbacks=[checkpointer,reduce],       verbose=1)

训练了20个epoch，这里给出第20个epoch时的训练结果，可以看到，val_loss 0.0233，其实已经挺低了；val_acc0.9945，参考意义不大（暂时不清楚有什么参考意义~~）；val_fmeasure0.17，嗯。。任重道远啊。

训练了20个epoch，这里给出第20个epoch时的训练结果，可以看到，val_loss 0.0233，其实已经挺低了；val_acc0.9945，参考意义不大（暂时不清楚有什么参考意义~~）；val_fmeasure0.17，嗯。。任重道远啊。

Epoch 20/20500/500 [==============================] - 48s 96ms/step - loss: 0.0233 - acc: 0.9946 - fmeasure: 0.1699 - recall: 0.0970 - precision: 0.7108 - val_loss: 0.0233 - val_acc: 0.9946 - val_fmeasure: 0.1700 - val_recall: 0.0968 - val_precision: 0.7162     Epoch 00020: val_fmeasure did not improve from 0.17148

以上只给出5000张图片的简单模型训练方法，但数据处理，搭建模型以及训练过程已经很清晰明了了，后面的进阶之路就凭大家各显身手了。

然后开始进行预测，导入测试集（当然是在训练集全部训练之后再进行测试集的预测）。

code

nub_test = len(glob('valid/*'))X_test = np.zeros((nub_test,224,224,3),dtype=np.uint8)path = []i = 0for img_path in tqdm(glob('valid/*')):    img = Image.open(img_path)    if img.mode != 'RGB':        img = img.convert('RGB')    img = img.resize((224,224))    arr = np.asarray(img)    X_test[i,:,:,:] = arr    i += 1100%|██████████████████████████████████████████████████████████████████████████████| 8000/8000 [02:18<00:00, 57.91it/s]

预测测试集并利用arr2tag函数将结果转为中文标签，以便生成提交文件。

code

y_pred = model.predict(X_test)y_tags = arr2tag(y_pred)

生成提交文件：

code

import osimg_name = os.listdir('valid/')img_name[:10]['000effcf2091ae3895074838b7e5f571186ab362.jpg',  '0014455e5fbfd0961039fe23675debbb1a7b2308.jpg',  '002138959ee7a14eb2860100392a384f8a85425f.jpg',  '002414411ce17c6c7ab5d36dd3f956d0691ba495.jpg',  '002780359fda7f09e6d1fc52d88aff90c6e8298b.jpg',  '002ad24891ddf815bb86e4eca34415b1b44c9e4b.jpg',  '002c284f94299bcee51733f7d6b17f3e4792d8c5.jpg',  '002cf4b15887f32b688113a2a7a3f5786896d019.jpg',  '003d4c12160b90fbbb2bd034ee30c251a45d9037.jpg',  '0043ab4460cc79bfbea3db69d2a55d5f35600a37.jpg']

arr2tag函数得到的每张图片的标签是list格式，需转成str，在这里操作。经实验，windows中的方法与ubuntu中不同，后面也给出了ubuntu中本步的处理方法。

code

# windowsimport pandas as pddf = pd.DataFrame({'img_path':img_name, 'tags':y_tags})for i in range(df['tags'].shape[0]):    df['tags'].iloc[i] = ','.join(str(e) for e in  df['tags'].iloc[i])df.to_csv('submit.csv',index=None)df.head()

code

# #Ubuntuimport pandas as pddf = pd.DataFrame({'img_path':img_name, 'tags':y_tags})for i in range(df['tags'].shape[0]):    df['tags'].iloc[i] = df['tags'].iloc[i][2:-2].replace(''',"").replace(''',"")df.to_csv('submit.csv',index=None)

整篇到此结束，有几点要说的：

提高方法。不用说，肯定是上预训练模型，可能再进行模型融合效果会更好。官方大大说整个标签由于人工标注，可能会跟机器预测出来的有别差，毕竟看预测结果中出现的 “一个人,人,仅一个女人,仅一个青年女人,仅女人,仅成年人” ，如果由人类来标注可能不会这么啰嗦~~所以可以考虑NLP方法对标签进行一些处理（我不会）。另外网上查到了个诡异的做法，说可以把fmeasure变成损失函数去训练模型（fmeasure不可导），我想如果有办法做到应该效果不错吧。

不足之处。训练过程中监控fmeasure和监控loss的做法，看上去应该是fmeasure没错，不过自己对于这块研究不够，只能凭感觉在做，各位看官可自由发挥。

整篇文章代码只有查准率、查全率、fmeasure部分为网上摘取，其他均为原创代码（略有借鉴），其实是想说，代码可能有些地方稚嫩，还望各位大佬们海涵。

如果想深入学习的话，我推荐还是报名实训营，让更有经验的大咖导师为你指路，效率和效果都会翻倍！

在这里推荐 CSDN 学院出品的《人工智能工程师直通车》实训营，目的是：通过 120 天的实战，将学员培养达到具备一年项目经验的人工智能工程师水平。CSDN 百天计划课程共分为 3 个阶段，4 个月完成。