通過ML.NET進行圖檔分類。
一、概述
通過之前兩篇文章的學習，我們應該已經了解了多元分類的工作原理，圖檔的分類其流程和之前完全一緻，其中最核心的問題就是特征的提取，隻要完成特征提取，分類算法就很好處理了，具體流程如下：
之前介紹過，圖檔的特征是不能采用像素的灰階值的，這部分原理的台階有點高，還好可以直接使用通過TensorFlow訓練過的特征提取模型（美其名曰遷移學習）。
模型檔案為：tensorflow_inception_graph.pb
二、樣本介紹
我随便在網上找了一些圖檔，分成6類：男孩、女孩、貓、狗、男人、女人。tags檔案标記了每個檔案所代表的類型标簽（Label）。
通過對這六類圖檔的學習，期望輸入新的圖檔時，可以判斷出是何種類型。
三、代碼
全部代碼：
View Code
四、分析
1、資料處理通道
可以看出，其代碼流程與結構與上兩篇文章介紹的完全一緻，這裡就介紹一下核心的資料處理模型部分的代碼：
MapValueToKey與MapKeyToValue之前已經介紹過了；
LoadImages是讀取檔案，輸入為檔案名、輸出為Image；
ResizeImages是改變圖檔尺寸，這一步是必須的，即使所有訓練圖檔都是标準劃一的圖檔也需要這個操作，後面需要根據這個尺寸确定容納圖檔像素資訊的數組大小；
ExtractPixels是将圖檔轉換為包含像素資料的矩陣；
LoadTensorFlowModel是加載第三方模型，ScoreTensorFlowModel是調用模型處理資料，其輸入為：“input”，輸出為：“softmax2_pre_activation”，由于模型中輸入、輸出的名稱是規定的，是以，這裡的名稱不可以随便修改。
分類算法采用的是L-BFGS最大熵分類算法，其特征資料為TensorFlow網絡輸出的值，标簽值為"LabelTokey"。
兩個實體類代碼：
上圖檔被識别為girl（我認為是Woman），這個情有可原，本來girl和worman在外貌上也沒有一個明确的分界點。
上圖被識别為woman，這個也情有可原，不解釋。
需要了解的是：不管你輸入什麼圖檔，最終的結果隻能是以上六個類型之一，算法會尋找到和六個分類中特征最接近的一個分類作為結果。
将我們要調試的列加入到實體對象中去，特别要注意資料類型。
檢視資料集詳細資訊：
五、資源擷取
源碼下載下傳位址：https://github.com/seabluescn/Study_ML.NET
工程名稱：TensorFlow_ImageClassification
資源擷取：https://gitee.com/seabluescn/ML_Assets
點選檢視機器學習架構ML.NET學習筆記系列文章目錄
簽名區：
如果您覺得這篇部落格對您有幫助或啟發，請點選右側【推薦】支援，謝謝！