介紹大家好，最近在參加深度學(xué)習(xí)競(jìng)賽時(shí)，遇到了一個(gè)有趣的問題，即如何將給定的圖像集進(jìn)行聚類，你可能會(huì)說，這不是一個(gè)簡(jiǎn)單的分類問題嗎？使用卷積神經(jīng)網(wǎng)絡(luò)， 就實(shí)現(xiàn)，但關(guān)鍵在于沒有合適訓(xùn)練數(shù)據(jù)提供訓(xùn)練。在不想自己收集數(shù)據(jù)集的情況，我們?nèi)绾谓鉀Q這個(gè)問題呢？這就是本文的主要內(nèi)容，即將深度學(xué)習(xí)直接應(yīng)用于測(cè)試數(shù)據(jù)（此處為圖像），而無需創(chuàng)建訓(xùn)練數(shù)據(jù)集并在該數(shù)據(jù)集上訓(xùn)練神經(jīng)網(wǎng)絡(luò)。卷積神經(jīng)網(wǎng)絡(luò)作為特征提取器首先我們需要討論為什么需要特征提取器？以及如何使卷積神經(jīng)網(wǎng)絡(luò)（CNN）發(fā)揮作用。圖像數(shù)據(jù)的特征提取器：假設(shè)算法需要像特征一樣需要兩只眼睛，一只鼻子和一張嘴來將圖像分類為面部，但是在不同的圖像中，這些特征存在于不同的像素位置，因此簡(jiǎn)單地將圖像扁平化并將其提供給算法是不起作用的。而解決這個(gè)問題剛好是CNN的卷積層發(fā)揮作用的地方。卷積層作為我們的特征提取器，并將圖像分解為越來越精細(xì)的細(xì)節(jié)，我們來看一下下面的例子：

這是一只貓的圖像，這是Vgg16的第一個(gè)卷積層看到它的樣子

請(qǐng)注意不同的圖像，這些是我們的CNN所學(xué)習(xí)的特征圖，一些特征圖著重于輪廓，一些特征著重于紋理，而某些特征則涉及更細(xì)微的細(xì)節(jié)（如耳和嘴），下一階段的卷積層將這些特征分解得更細(xì)的細(xì)節(jié)。

上午我們知道了卷積層可以學(xué)習(xí)圖像的特定功能，那么接下來我們將實(shí)現(xiàn)編碼。實(shí)現(xiàn)CNN的卷積層網(wǎng)絡(luò)：以下代碼顯示了如何使用預(yù)訓(xùn)練的CNN Vgg16獲得以上結(jié)果：MyModel ＝ tf2．＜a onclick＝＂parent．postMessage（｛＇referent＇：＇．tensorflow．keras＇｝， ＇＊＇）＂＞keras．a(chǎn)pplications．VGG16（
   include＿top＝True， weights＝＇imagenet＇， input＿tensor＝None， input＿shape＝None，
   pooling＝None， classes＝1000， classifier＿activation＝＇softmax＇
）
MyModel．summary（）
＃＃ lets Define a Function that can show Features learned by CNN＇s nth convolusion layer
def ShowMeWhatYouLearnt（＜a onclick＝＂parent．postMessage（｛＇referent＇：＇．kaggle．usercode．12234793．44545592．ShowMeWhatYouLearnt．．Image＇｝， ＇＊＇）＂＞Image， ＜a onclick＝＂parent．postMessage（｛＇referent＇：＇．kaggle．usercode．12234793．44545592．ShowMeWhatYouLearnt．．layer＇｝， ＇＊＇）＂＞layer， ＜a onclick＝＂parent．postMessage（｛＇referent＇：＇．kaggle．usercode．12234793．44545592．ShowMeWhatYouLearnt．．MyModel＇｝， ＇＊＇）＂＞MyModel）：
＜a onclick＝＂parent．postMessage（｛＇referent＇：＇．kaggle．usercode．12234793．44545592．ShowMeWhatYouLearnt．．img＇｝， ＇＊＇）＂＞img ＝ img＿to＿array（＜a onclick＝＂parent．postMessage（｛＇referent＇：＇．kaggle．usercode．12234793．44545592．ShowMeWhatYouLearnt．．Image＇｝， ＇＊＇）＂＞Image）
＜a onclick＝＂parent．postMessage（｛＇referent＇：＇．kaggle．usercode．12234793．44545592．ShowMeWhatYouLearnt．．img＇｝， ＇＊＇）＂＞img ＝ np．＜a onclick＝＂parent．postMessage（｛＇referent＇：＇．numpy．expand＿dims＇｝， ＇＊＇）＂＞expand＿dims（＜a onclick＝＂parent．postMessage（｛＇referent＇：＇．kaggle．usercode．12234793．44545592．ShowMeWhatYouLearnt．．img＇｝， ＇＊＇）＂＞img， 0）
   ＃＃＃ preprocessing for img for vgg16
＜a onclick＝＂parent．postMessage（｛＇referent＇：＇．kaggle．usercode．12234793．44545592．ShowMeWhatYouLearnt．．img＇｝， ＇＊＇）＂＞img ＝ tf2．＜a onclick＝＂parent．postMessage（｛＇referent＇：＇．tensorflow．keras＇｝， ＇＊＇）＂＞keras．a(chǎn)pplications．vgg16．preprocess＿input（＜a onclick＝＂parent．postMessage（｛＇referent＇：＇．kaggle．usercode．12234793．44545592．ShowMeWhatYouLearnt．．img＇｝， ＇＊＇）＂＞img）
   ＃＃ Now lets define a model which will help us
   ＃＃ see what vgg16 sees
＜a onclick＝＂parent．postMessage（｛＇referent＇：＇．kaggle．usercode．12234793．44545592．ShowMeWhatYouLearnt．．inputs＇｝， ＇＊＇）＂＞inputs ＝ ＜a onclick＝＂parent．postMessage（｛＇referent＇：＇．kaggle．usercode．12234793．44545592．ShowMeWhatYouLearnt．．MyModel＇｝， ＇＊＇）＂＞MyModel．inputs
＜a onclick＝＂parent．postMessage（｛＇referent＇：＇．kaggle．usercode．12234793．44545592．ShowMeWhatYouLearnt．．outputs＇｝， ＇＊＇）＂＞outputs ＝ ＜a onclick＝＂parent．postMessage（｛＇referent＇：＇．kaggle．usercode．12234793．44545592．ShowMeWhatYouLearnt．．MyModel＇｝， ＇＊＇）＂＞MyModel．layers［＜a onclick＝＂parent．postMessage（｛＇referent＇：＇．kaggle．usercode．12234793．44545592．ShowMeWhatYouLearnt．．layer＇｝， ＇＊＇）＂＞layer］．output
＜a onclick＝＂parent．postMessage（｛＇referent＇：＇．kaggle．usercode．12234793．44545592．ShowMeWhatYouLearnt．．model＇｝， ＇＊＇）＂＞model ＝ Model（inputs＝＜a onclick＝＂parent．postMessage（｛＇referent＇：＇．kaggle．usercode．12234793．44545592．ShowMeWhatYouLearnt．．inputs＇｝， ＇＊＇）＂＞inputs， outputs＝＜a onclick＝＂parent．postMessage（｛＇referent＇：＇．kaggle．usercode．12234793．44545592．ShowMeWhatYouLearnt．．outputs＇｝， ＇＊＇）＂＞outputs）
＜a onclick＝＂parent．postMessage（｛＇referent＇：＇．kaggle．usercode．12234793．44545592．ShowMeWhatYouLearnt．．model＇｝， ＇＊＇）＂＞model．summary（）
   ＃＃ let make predictions to see what the Cnn sees