教电脑“看”图片

计算机视觉简介

上一篇：《自己DIY首个人工智能模型》

序言：人是如何“看”图片的？人类感知周围世界，主要依赖看、听、闻、触这些感官，而“看”是最普遍和直观的方式。计算机视觉，就是对人类“看”的这一行为的模仿，旨在让计算机能够识别并理解图像或视频。从技术角度来看，我们或许很少认真思考过，人类“看”图片的过程其实也是通过观察颜色、分析图中内容及内容之间的关系来完成的。我们会对图片进行分类，并根据内心的经验或认知作出判断，这也是为什么每个人对同一张图片会有不同理解的原因。请读者关注！关注后您的智慧将更加深邃，不关注的话，那就只能靠颜值了 ^_^。

前一章 介绍了机器学习（即人工智能算法）的基础原理。你已经了解了如何通过编程，使用神经网络将数据与标签进行匹配，并由此推断出区分项目的规则。接下来的合乎逻辑的一步就是将这些概念应用于计算机视觉，让模型学会识别图片中的内容，从而能够“看到”其中的物体。在本章中，你将使用一个流行的服装物品数据集，构建一个能够区分不同服装种类的模型，从而“看”出不同类型的服装之间的差异。

识别服装物品

让我们从第一个例子开始，考虑一下识别图像中服装物品需要什么条件。举例来说，请考虑图2-1中的物品。

这里有许多不同的服装物品，你能够识别它们。你知道什么是衬衫、外套或连衣裙。但如果要向一个从未见过服装的人解释呢？鞋子呢？图中有两只鞋子，但你该如何向别人描述呢？这是我们在第1章中提到的基于规则的编程可能失效的另一种情况。有时，用规则来描述某些东西是不现实的。

当然，计算机视觉也不例外。但请想一想你是如何学会识别这些物品的——通过看许多不同的例子，并积累它们的使用经验。我们是否可以用计算机做同样的事情？答案是肯定的，但也有一定的局限性。让我们来看一个教计算机识别服装物品的第一个例子，使用一个著名的数据集——Fashion MNIST。

数据集：Fashion MNIST

最基础的学习和基准测试算法之一的数据集是由Yann LeCun、Corinna Cortes和Christopher Burges开发的改进型国家标准与技术研究院（MNIST）数据库。这个数据集包含了70,000个0到9的手写数字图像。图像尺寸为28×28，且是灰度图。

Fashion MNIST设计为可以直接替代MNIST的一个数据集，它具有相同的记录数量、相同的图像尺寸和相同的类别数量——不同的是，Fashion MNIST包含的是10种不同类型的服装图像，而不是0到9的数字图像。你可以在图2-2中看到该数据集的示例，每种服装类型占据三行。

它包含了各种各样的服装，包括衬衫、裤子、连衣裙和许多种类的鞋子。正如你可能注意到的那样，它是单色的，所以每张图片由一定数量的像素组成，像素值介于0到255之间。这使得数据集更容易管理。

你可以在图2-3中看到数据集中某张图片的特写。

就像任何图像一样，它是一个由像素组成的矩形网格。在这个例子中，网格大小为28×28，每个像素只是一个值，范围介于0到255之间，正如前面提到的那样。现在让我们看看如何使用这些像素值与我们之前看到的函数。

下一篇：我们讲如何设计和训练一个CNN视神经网络。请读者关注！关注后您的智慧将更加深邃，不关注的话，那就只能靠颜值了 ^_^