【机器学习实践】水果图片分类
作者参加了gitchat图文课 机器学习极简入门课（扫描下面二维码可见）的学习。
学习理论之外，自己寻找资源动手实践，在实际做项目中巩固了习得的理论知识，并进一步体会到了日常积累的重要性。
下文是作者的一次实践总结。
实践项目
功能：
水果图片分类——构建一个分类模型，对水果图片进行分类。
数据来源：
https://www.kaggle.com/moltean/fruits
总共55244张100x100的图片，和81个分类（水果种类）
按照4：1的比例分为训练集和测试集
解决方案：
构建一个基于深度学习的多分类模型。
本次实践参考kaggle参赛者Esther S. Weon的Identifying Fruits in Images：
https://www.kaggle.com/esthersweon/identifying-fruits-in-images
搭建运行环境
作者的运行环境：
计算机内存：16G
操作系统：Windows10
显卡（GPU）：NVIDIA GeForce GTX 1080
编程语言：Python3.5rc1
IDE：PyCharm
深度学习框架：Tensorflow 1.3.0-rc0，Keras 2.0.8
其他工具包：vs2015，cuda8，cudnn6
搭建过程提示：
1. 针对自己的系统安装好cuda与cudnn (搭建方法请自行百度)
2. 通过到python官网下载并安装好python3.5(我下载的是python-3.5.4rc1-amd64.exe)
3. 在安装GPU版本的tensorflow以及keras深度学习框架。
4. 在运行程序的过程中如果遇到缺少依赖包（dependency），可以通过命令行运行
pip(pip3) install ${缺少的安装包名}
来完成安装。
参考资料：
1. win10下基于python（anaconda）安装gpu版本的TensorFlow以及kears深度学习框架
https://blog.csdn.net/colourful_sky/article/details/78524382
2. win10 x64 系统 python2 和python3 共存
https://blog.csdn.net/yuanyuan95/article/details/64920497
3. win10下安装tendorflow注意事项
https://blog.csdn.net/bianjun1075/article/details/60478487
4. windows下安装tensorflowGPU版本报错：
OSError:[WinError 126] 找不到指定的模块/Could not find 'cudart64_90.dll'.
https://blog.csdn.net/wobeatit/article/details/79207196
模型的训练、测试和应用
训练模型
下载数据集Fruits360
https://www.kaggle.com/moltean/fruits/downloads/fruits.zip/30
然后运行模型训练代码：
https://github.com/jianghongsun/Fruit-classification/blob/master/train.py
训练中可能出现的问题：在模仿作者进行多分类时，可能在加载图片代码运行到
X_train, y_train, train_labels = get_data(train_dir) X_test, y_test, test_labels = get_data(test_dir)
时，可能会报内存不足。
解决办法为：
1. 修改下面这句中的35为10（或者更小）：
for idx, folder_name in enumerate( os.listdir(folder_path)[:35] ):
2. 开设虚拟内存。具体方法参见：
https://jingyan.baidu.com/article/6f2f55a1b834b6b5b83e6c48.html
3. 购买大的内存条。
测试模型
运行模型测试代码，用原装测试集测试模型：
https://github.com/jianghongsun/Fruit-classification/blob/master/test.py
下面这段代码用来适应作者的GPU配置：
#设置GPU的使用 os.environ["CUDA_VISIBLE_DEVICES"] = "0" config = tf.ConfigProto() config.gpu_options.per_process_gpu_memory_fraction = 0.9 session = tf.Session(config=config) KTF.set_session(session)
运行结果确实和Esther S. Weon公布的相符，在原装测试集上，准确率达到98%。
应用模型
从互联网上下载一些水果图片，用模型来对其进行判断（inference）。
下面这9张图片是作者从互联网上下载的，resize到100x100后进行判断，结果列在图片下：
上述的识别结果可以看出不是十分理想，需要继续优化。
增大训练数据集
如果想得到一个通用性更好的模型进行分类，需要加大数据集。增加数据集的方法有如下：
1.旋转图像的角度；
2.亮度调节；
3.色度调节；
4.对比增强；
5.锐度变化；
6. 使用生成对抗网络（Generative Adversarial Nets）根据现有样本图片生成新图片。
收获和感想
通过这次动手实践，首先收获的是自信：只要自己动手，还是能倒腾出点东西的！
当然，距离项目的实际应用还需要继续努力。
就本次的实践而言，按照上面的步骤训练完的模型，虽然在测试上取得了很好的结果。训练的模型对随机下载的图片分类不太好，也就是通用性不太好。
Fruits360 图像集中所有的样本都是白色背景，与我们实际测试环境有差别。后续的训练中要考虑这方面带来的影响。需要增加训练样本或者别的其他策略来完成。
当我们遇到问题时，首先冷静，然后动手动脑，一方面自己尝试，另一方面从网络查找相关解决方法或请教大牛。
当然，更重要的是增大知识储备，平时多查阅资料，多问，多思考。积累充分才能在实际项目中得心应手。
另外，感谢：
- 李烨老师开设的极简机器学习教程；
- kaggle参赛者Esther S. Weon分享图片中水果的分类的代码；
- 以及在学习上一路陪伴的小伙伴们。
最后，祝大家在机器学习的道路上越来越开心！