＜a onclick＝＂parent．postMessage（｛＇referent＇：＇．kaggle．usercode．12234793．44545592．ShowMeWhatYouLearnt．．featureMaps＇｝， ＇＊＇）＂＞featureMaps ＝ ＜a onclick＝＂parent．postMessage（｛＇referent＇：＇．kaggle．usercode．12234793．44545592．ShowMeWhatYouLearnt．．model＇｝， ＇＊＇）＂＞model．predict（＜a onclick＝＂parent．postMessage（｛＇referent＇：＇．kaggle．usercode．12234793．44545592．ShowMeWhatYouLearnt．．img＇｝， ＇＊＇）＂＞img）
   ＃＃ Plotting Features
   for a onclick＝＂parent．postMessage（｛＇referent＇：＇．kaggle．usercode．12234793．44545592．ShowMeWhatYouLearnt．．maps＇｝， ＇＊＇）＂＞maps in ＜a onclick＝＂parent．postMessage（｛＇referent＇：＇．kaggle．usercode．12234793．44545592．ShowMeWhatYouLearnt．．featureMaps＇｝， ＇＊＇）＂＞featureMaps：
plt．＜a onclick＝＂parent．postMessage（｛＇referent＇：＇．matplotlib．pyplot．figure＇｝， ＇＊＇）＂＞figure（figsize＝（20，20））
＜a onclick＝＂parent．postMessage（｛＇referent＇：＇．kaggle．usercode．12234793．44545592．ShowMeWhatYouLearnt．．pltNum＇｝， ＇＊＇）＂＞pltNum ＝ 1
       for ＜a onclick＝＂parent．postMessage（｛＇referent＇：＇．kaggle．usercode．12234793．44545592．ShowMeWhatYouLearnt．．a(chǎn)＇｝， ＇＊＇）＂＞a in range（8）：
           for ＜a onclick＝＂parent．postMessage（｛＇referent＇：＇．kaggle．usercode．12234793．44545592．ShowMeWhatYouLearnt．．b＇｝， ＇＊＇）＂＞b in ＜a onclick＝＂parent．postMessage（｛＇referent＇：＇．kaggle．usercode．12234793．44545592．ShowMeWhatYouLearnt．．range＇｝， ＇＊＇）＂＞range（8）：
plt．＜a onclick＝＂parent．postMessage（｛＇referent＇：＇．matplotlib．pyplot．subplot＇｝， ＇＊＇）＂＞subplot（8， 8， ＜a onclick＝＂parent．postMessage（｛＇referent＇：＇．kaggle．usercode．12234793．44545592．ShowMeWhatYouLearnt．．pltNum＇｝， ＇＊＇）＂＞pltNum）
plt．＜a onclick＝＂parent．postMessage（｛＇referent＇：＇．matplotlib．pyplot．imshow＇｝， ＇＊＇）＂＞imshow（＜a onclick＝＂parent．postMessage（｛＇referent＇：＇．kaggle．usercode．12234793．44545592．ShowMeWhatYouLearnt．．maps＇｝， ＇＊＇）＂＞maps［： ，： ，＜a onclick＝＂parent．postMessage（｛＇referent＇：＇．kaggle．usercode．12234793．44545592．ShowMeWhatYouLearnt．．pltNum＇｝， ＇＊＇）＂＞pltNum － 1］， cmap＝＇gray＇）
＜a onclick＝＂parent．postMessage（｛＇referent＇：＇．kaggle．usercode．12234793．44545592．ShowMeWhatYouLearnt．．pltNum＇｝， ＇＊＇）＂＞pltNum ＋＝ 1
plt．＜a onclick＝＂parent．postMessage（｛＇referent＇：＇．matplotlib．pyplot．show＇｝， ＇＊＇）＂＞show（）
接下來(lái)我們將重點(diǎn)介紹如何來(lái)創(chuàng)建我們的聚類(lèi)算法。設(shè)計(jì)圖像聚類(lèi)算法在本節(jié)中，我們使用Kaggle上的 keep－babies－safe 數(shù)據(jù)集。https：／／www．kaggle．com／akash14／keep－babies－safe首先，我們創(chuàng)建一個(gè)圖像聚類(lèi)模型，來(lái)將給定的圖像分為兩類(lèi)，即玩具或消費(fèi)品，以下是來(lái)自該數(shù)據(jù)集的一些圖像。

以下代碼實(shí)現(xiàn)我們的聚類(lèi)算法：＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃ Making Essential Imports ＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃
import sklearn
import os
import sys
import matplotlib．pyplot as plt
import cv2
import pytesseract
import numpy as np
import pandas as pd
import tensorflow as tf
conf ＝ r＇－－ oem 2＇
＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃
＃ Defining a skeleton for our       ＃
＃ DataFrame                         ＃
＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃
DataFrame ＝ ｛
   ＇photo＿name＇ ： ［］，
   ＇flattenPhoto＇ ： ［］，
   ＇text＇ ： ［］，
   ｝
＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃
＃      The Approach is to apply transfer learning hence using Resnet50 as my          ＃
＃      pretrained model                                                               ＃
＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃
MyModel ＝ tf．keras．models．Sequential（）
MyModel．a(chǎn)dd（tf．keras．a(chǎn)pplications．ResNet50（
   include＿top ＝ False， weights＝＇imagenet＇，    pooling＝＇avg＇，
））
＃ freezing weights for 1st layer
MyModel．layers［0］．trainable ＝ False
＃＃＃ Now defining dataloading Function
def LoadDataAndDoEssentials（path， h， w）：
   img ＝ cv2．imread（path）
   DataFrame［＇text＇］．a(chǎn)ppend（pytesseract．image＿to＿string（img， config ＝ conf））
   img ＝ cv2．resize（img， （h， w））
   ＃＃ Expanding image dims so this represents 1 sample
   img ＝ img ＝ np．expand＿dims（img， 0）
   img ＝ tf．keras．a(chǎn)pplications．resnet50．preprocess＿input（img）
   extractedFeatures ＝ MyModel．predict（img）
   extractedFeatures ＝ np．a(chǎn)rray（extractedFeatures）
   DataFrame［＇flattenPhoto＇］．a(chǎn)ppend（extractedFeatures．flatten（））
＃＃＃ with this all done lets write the iterrrative loop
def ReadAndStoreMyImages（path）：
   list＿ ＝ os．listdir（path）
   for mem in list＿：
       DataFrame［＇photo＿name＇］．a(chǎn)ppend（mem）
       imagePath ＝ path ＋ ＇／＇ ＋ mem
       LoadDataAndDoEssentials（imagePath， 224， 224）
＃＃＃ lets give the address of our Parent directory and start
path ＝ ＇enter your data＇s path here＇
ReadAndStoreMyImages（path）
＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃
＃        lets now do clustering                      ＃
＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃
Training＿Feature＿vector ＝ np．a(chǎn)rray（DataFrame［＇flattenPhoto＇］， dtype ＝ ＇float64＇）
from sklearn．cluster import AgglomerativeClustering
kmeans ＝ AgglomerativeClustering（n＿clusters ＝ 2）
kmeans．fit（Training＿Feature＿vector）
A little explanation for the above code：
上面的代碼使用Resnet50（一種經(jīng)過(guò)預(yù)先訓(xùn)練的CNN）進(jìn)行特征提取，我們只需移除其頭部或用于預(yù)測(cè)類(lèi)別的神經(jīng)元的最后一層，然后將圖像輸入到CNN并獲得特征向量作為輸出，實(shí)際上，這是我們的CNN在Resnet50的倒數(shù)第二層學(xué)習(xí)到的所有特征圖的扁平數(shù)組�？梢詫⒋溯敵鱿蛄刻峁┙o進(jìn)行圖像聚類(lèi)的任何聚類(lèi)算法。讓我向你展示通過(guò)這種方法創(chuàng)建的簇。

該可視化的代碼如下＃＃ lets make this a dataFrame
import seaborn as sb
import matplotlib．pyplot as plt
dimReducedDataFrame ＝ pd．DataFrame（Training＿Feature＿vector）
dimReducedDataFrame ＝ dimReducedDataFrame．rename（columns ＝ ｛ 0： ＇V1＇， 1 ： ＇V2＇｝）
dimReducedDataFrame［＇Category＇］ ＝ list （df［＇Class＿of＿image＇］）
plt．figure（figsize ＝ （10， 5））
sb．scatterplot（data ＝ dimReducedDataFrame， x ＝ ＇V1＇， y ＝ ＇V2＇，hue ＝ ＇Category＇）
plt．grid（True）
plt．show（）
結(jié)論本文通過(guò)解釋如何使用深度學(xué)習(xí)和聚類(lèi)將視覺(jué)上相似的圖像聚在一起形成簇，而無(wú)需創(chuàng)建數(shù)據(jù)集并在其上訓(xùn)練CNN。