0 引言

    Caffe(Convolutional Architecture for Fast Feature Embedding)是由伯克利大学的贾杨清等人开发的一个开源的深度学习框架^[1]，采用高效的C++语言实现，并内置有Python和MATLAB接口，以供开发人员开发和部署以深度学习为核心算法的应用。本文从基本的深度学习概念出发，以mnist手写识别数据集为基础，通过Caffe框架设计的LeNet卷积网络对数据集进行训练分析，提取目标图像特征信息，训练出一个模型进行测试以及网络结构的图解^[2]。为了更好地展示深度学习的应用效果，使用bvlc_reference_caffenet.caffemodel来作为基本模型进行图片识别分类，实现了一个简单的“以图搜图”Web应用。

1 深度学习的介绍

    深度学习的概念由HINTON G E等人于2006年提出^[3]，基于深度置信网络（DBN）提出非监督贪心逐层训练算法，多非线性层级系统有效解决了深度学习在训练过程中的过拟合问题，通过在图像层次稀疏表示中引入图像显著信息，加强了图像特征的语义信息，得到图像显著特征表达。

1.1 卷积过程

    对于一维信号，卷积定义为：

其中，f表示M_r×N_c的二维图像矩阵，g表示N_r×N_c的二维图像矩阵，卷积结果y的大小为(M_r+N_r-1)×(M_c+N_c-1)，即0≤m<M_r+N_r-1，0≤n<M_c+N_c-1。以具体图像处理为例，卷积过程其实还是基于一个固定的矩阵，将另外一个矩阵一格一格扫过去得到数值的和，如图1所示。

    如果输入的图像是6×6的一组矩阵，其前3×3格的数据经过权值weight的加权求和后可以得到429，得到第一个卷积后的数据；输入矩阵每次运算向后移动一小格，并与权值weight进行加权求和，扫完整个数据可以得到一个4×4的数据，卷积的结果是维数降低了，如图2所示。

1.2 卷积核

    卷积核为图1中3×3矩阵的数量，因为有时要提取的特征非常多且广泛，所以需要用更多不同的矩阵来扫(多扫几遍)，那么矩阵的个数就是卷积核个数。

    输出的矩阵公式为：

    当使用n个不同权重的矩阵卷积6×6矩阵时，可以将6×6的一个矩阵转变成n个4×4的矩阵，即6×6-->n×4×4的矩阵。

1.3 池化(pooling)

    池化与卷积非常相似，简单来说就是下采样，都是使用一个矩阵与另一个矩阵的加权和得到最后的数据。池化与卷积最大的不同是卷积重复使用一个数据，而池化是每个数据只加权求和使用一次。当原来的矩阵是m×m、采样窗口是n×n时，卷积能够取得(m-n+1)×(m-n+1)的矩阵结果，而池化在不重复使用数据加权求和的情况下，一共只能采样(m/n)×(m/n)的结果矩阵。之所以这么做，是因为即使做完了卷积，图像仍然很大(因为卷积核比较小)，所以为了降低数据维度，就进行下采样。之所以能这么做，是因为即使减少了许多数据，特征的统计属性仍能够描述图像，而且由于降低了数据维度，有效地避免了过拟合^[4-5]。池化的过程如图3所示，原始图片大小是12×12 维度，对其进行下采样，采样窗口为10×10，通过池化将其下采样成为一个2×2大小的特征图。

1.4 训练流程

    训练的主要流程是训练卷积神经网络(CNN)的某一个卷积层时，实际上是在训练一系列的滤波器(filter)。简单来说，训练CNN在相当意义上是在训练每一个卷积层的滤波器，让这些滤波器组对特定的模式特征有较高的激活，从而达到CNN网络的分类/检测等目的^[6]。因此，在相当程度上，构建卷积神经网络的任务就在于构建这些滤波器，也就是改变滤波器矩阵的值，即改变权值weight，用来识别特定的特征^[7]。这个过程叫做训练，图4是深度学习训练流程图。

    其中weight权值即图4中的W₀、W₁、W₂，其值由初始权值随着学习训练的过程由损失函数来控制和调整，从而达到学习的目的。

2 LeNet卷积网络的mnist手写识别模型

2.1 训练过程

    由LECUN Y等人于1998年提出的LeNet网络^[8]是最早的卷积神经网络之一，它在手写数字的识别问题中取得成功。本文使用的mnist图片数据来源于官网http：//yann.lecun.com/exdb/mnist/，数据分成了训练集(60 000张共10类)和测试集(共10 000张10类），每个类别放在一个单独的文件夹里，并将所有的图片都生成txt列表清单(train.txt和test.txt)^[9]。

    环境说明：采用VMware Workstation14下的Linux(Ubuntu16.04)操作系统系统，Python环境：Anaconda2.7，Caffe 以及Caffe所需要的Opencv(3.4)支持。环境搭建如图5所示。

2.2 测试结果

    本文使用mnist官方提供的测试集对训练好的模型进行训练，每类数字有1 000张共10个分类10 000张图片，判断正确结果较多，因此这里跳过了判断正确结果的输出，图6依次为0～9的测试出错结果：头顶标记为模型对图片预测分类的结果。

    从测试的结果可以看出：

    (1)测试大概10 000张图片，共用时不到10 s(仅使用CPU运算，且不同性能计算机用时差异较大，仅作参考)，其中判断错误数量为80张左右，正确率大概有99.2%，每张的测试时间不到1 ms。

    (2)分析输出的错误图像判断结果，可知有些错误原因是手写字迹潦草、部分较为模糊、手写有歧义(即使人为判断也无法准确断定数字具体分类)。

    (3)部分的测试结果在人眼识别过程中没有太大的问题，在字迹方面也算可以清晰显示出数字的具体信息，而此模型却给出了一个错误的结果。这些识别结果只显示了概率最大的分类，可能在识别的部分特征过于相似，导致并不能得到最好的分类结果，这应该属于深度学习的训练缺陷的一部分，原因是由于训练集的质量和数量决定的。

3 图片识别的一个简单应用：以图搜图

    百度上线了其最新的搜索功能——“识图”，该功能基于相似图片识别技术，让用户通过上传本地图片或者输入图片的URL地址后，根据图像特征进行分析，进而从互联网中搜索出与此相似的图片资源及信息内容。根据前面的深度学习图片分类的学习结果，设计出一款类似百度“识图”的应用。

3.1 总体设计思路

    使用Web前端获取用户所上传(POST)的图片文件或者URL，服务器接收到用户图片后调用bvlc模型进行处理，载入模型识别出图片分类信息，后台根据这个分类信息使用requests爬虫库搜索Bing上相似的图片，获取到相关的图片链接并传给前端浏览器，浏览器根据所给的图片链接进行访问请求，并显示在用户浏览界面中，从而达到以图搜图的功能。处理流程图如图7所示。

3.2 模型框架说明

    后台服务器Django：Django是一个开放源代码的Web应用框架，由Python写成，较适合中等规模的Web项目，本图片搜索系统是基于Django搭建并部署Web应用。

    Web前端框架Bootstrap：Bootstrap是当前比较流行的前端框架，起源于推特，提供了简洁的层叠样式表和HTML规则，以及更为完善的人性化网站风格。根据此框架能够较好较快地搭建前端Web UI界面，且很符合该图片展示模块的风格。

    搜索分类依据bvlc模型：该模型由Caffe团队使用imagenet图片集迭代训练30多万次而成，共有1 000种的分类，是一个可应用级别的model。此次分析图片的具体分类就是通过这个模型得到分类的关键字。

3.3 搜图流程

    前端界面：这里提供了两种图片的上传方式，即图片的本地文件以及图片的URL地址，选择上传一张小猫图片，如图8所示。

    后台分类：后台将图片载入bvlc模型进行运算，如图9展示的是第一个卷积层的卷积核与进行第一次卷积后的图片。

    最终后台经过分析特征得到图片分类的概率分布图，如下结果最可能的分类为283，再通过查找label文件得到283类为label：n02123394 Persian cat，如图10所示。

    也可以查看前5个最有可能的分类结果：

    [(0.99606931，′n02123394 Persian cat′)，

    (0.0019333176，′n02127052 lynx，catamount′)，

    (0.0013805312，′n02123159 tiger cat′)，

    (0.00041564793，′n02123045 tabby，tabby cat′)，

    (8.5782471e-05，′n02124075 Egyptian cat′)]

    更多图片搜索的实现：得到关键字后，通过requests爬虫库爬取Bing图片（https://cn.bing.com/images），对网页HTML源码进行分析，因此得到了一个API接口：https：//cn.bing.com/images/async?q={%s}&mmasync=1。

    该接口提供一个搜索关键词的参数代替URL中的%s，因而得到想要的图片数据，再使用xpath:’//*[@id="mmComponent_images_1"]/ul/li/div/div/div/div[1]/ul/li[2]/text()’，从而提取到想要的图片地址以及图片源信息。获得图片的URL信息后，后台系统会整理好数据以JSON方式传送给浏览器，浏览器便可依据此地址展示给用户更多的相似图片。

    前端图片展示页面：第一张图片为搜索的原图以及其分类的信息，其他图片为向用户提供的更多相似图片的结果，并且有查看大图（view）和下载功能（download），如图11所示。

4 结论

    图片识别分类系统在应用级别的构建需要大量图片作为训练的基础，不断迭代学习才能得到一个较好的模型。本文使用的模型为Caffe官方提供的bvlc_reference_caffenet.caffemodel，使用的训练集imagenet数据集是一个强大的模型。但若以人工智能应用部署在计算机视觉领域上还远远不够，仍需要更多的大数据作为基础。同时，即使有这样一个强大模型在实际应用中，还需要动态一步步地修正和完善其模型与参数配置，这点现在的Caffe还无法很好地给出解决方案。本文最终的图片搜索应用功能依赖于识别的分类结果，本质上还是为以分类关键词搜图作为结果，若是相同分类的不同图片，搜到的结果可能相似度过高，不够智能化。可参考的解决方案是使用多个训练模型分析所选图片的各方面信息，如色调、风格、其他分类等综合结果，再加以搜索会更加智能化，但同时对训练的数据集和训练网络的学习效率会有更高的要求。

参考文献

[1] Jia Yangqing，SHELHAMER E，DONAHUE J，et al.Caffe：convolutional architecture for fast feature embedding[C].ACM International Conference on Multimedia ACM，2014：675-678.

[2] 王茜，张海仙.深度学习框架Caffe在图像分类中的应用[J].现代计算机(专业版)，2016(5)：72-75，80.

[3] HINTON G E，OSINDERO S，THE Y W.A fast learning algorithm for deep belief nets[J].Neural Computation，2006，18(7)：1527-1554.

[4] 魏正.基于Caffe平台深度学习的人脸识别研究与实现[D].西安：西安电子科技大学，2015.

[5] 许少尉，陈思宇.基于深度学习的图像分类方法[J].电子技术应用，2018，44(6)：116-119.

[6] 张顺，龚怡宏，王进军.深度卷积神经网络的发展及其在计算机视觉领域的应用[J].计算机学报，2017，42(3)：453-462.

[7] 孙志军，薛磊，许阳明，等.深度学习研究综述[J].计算机应用研究，2012，29(8)：2806-2810.

[8] LECUN Y，BOTTOU L，BENGIO Y，et al.Gradient-based learning applied to document recognition[J].Proceedings of the IEEE，1998，86(11)：2278-2324.

[9] 黄睿，陆许明，邬依林.基于Ten-sorFlow深度学习手写体数字识别及应用[J].电子技术应用，2018，44(10)：6-10.

作者信息:

张  璘，杨丰墒

(厦门理工学院 光电与通信工程学院，福建 厦门361024)