遛狗：神经网络 | 图像识别 | 地理位置

█ 本文节译自：2017年4月11日的Wolfram博客

哈哈，其实这跟遛狗没......还是有点关联.....

不过，你知道吗，一张照片中却蕴存着很多信息，其中的地理位置一定让侦探们睁大了眼睛......

来，先看看我家的喵主席和饼干侦探长：用Wolfram语言的 GeoPosition 函数提取这张照片：

太奇妙了——它有地理坐标， 再用 GeoGraphics看看它究竟在地图中的神马地方：

太棒了，现在用放大工具看看这些坐标在哪里：

太对了，这是我读研究生的地方，路易斯安那州巴吞鲁日市。原来我的iPhone手机照片中还有这数据。

其实我没有狗，但是我的同事有，我们就用智能手机拍摄了一些照片，看看神经网络函数是否可以识别。

Wolfram语言11.1的一大优越之处是有预先训练的神经网络集合，包括基于ImageNet 竞赛数据上的Inception V3和基于Places365数据上的Inception V1。这样使得新手及其容易上手，例如，识别图像中的对象以及告诉你这副图像表示的是何种风景等。

Wolfram参考资料中心有更多的资料供你参考。

我只需要拖放就可以把照片放进笔记本，然后根据元数据定义并查找它们的位置：

不错噢。我们再添加一些点，改变颜色并添加提示条显示每个位置的图像：

在Wolfram笔记本（或者下载CDF)，当把鼠标放在每个点上，它会显示在该位置拍摄的图像，很 cool 吧。

现在，我们来试试Wolfram语言11.1的新功能——预训练的神经网络。首先，需要定义我们的网络，我们需要使用受训于 ImageNet 竞赛数据的 Inception V3，然后用一行代码来实现。Inception V3 是使用卷积神经网络识别图像的数据集。听上去很复杂，其实很容易就实现了。

现在，我们只需要放入图像，就可以获取图像的精确结果：

太棒了，我们再来试试其他图片：

它猜测 goose（鹅）的概率是 0.901。相当棒，试试另一幅图：

嗯，神经网络并不确定这是哪种狗——其实它是对的：这种狗，是牧羊犬和柯基犬的杂交。

来看看，它认为我的猫是哪种：

哇塞！它确实是虎斑猫（tabby cat）。那个 0.0446概率也是合理的，因为我的猫确实看上去有点像鸭嘴兽。

体会到了吧，预训练的神经网络确实做得不错。下次你去遛狗或遛人，别忘了拍摄一些随机的物体，让 Wolfram 语言帮你进行无痛苦识别！