最近完成了一个以图搜图的项目，项目总共用时三个多月。记录一下项目中用到机器学习的地方，以及各种踩过的坑。总的来说，项目分为一下几个部分：

一、训练目标函数

1、    设定基础模型

2、    添加新层

3、    冻结 base 层

4、    编译模型

5、    训练

6、    保存模型

二、特征提取

三、创建索引

四、构建服务

1、flask 开发

2、Gunicorn 异步，增加服务稳健性

3、Supervisor 部署监控服务

五、总结

一、训练目标函数

项目是在预训练模型 vgg16 的基础上进行微调（fine_tune)，并将特征的维度从原先的 2048 维降为 1024 维度。

模型的微调又分为以下几个步骤：

1、设定基础模型

本次采用预训练的 VGG16基础模型，利用其 bottleneck 特征

# 设定基础模型

base_model = VGG16(weights=‘./model/vgg16_weights_tf_dim_ordering_tf_kernels_notop.h5‘, include_top=False)

#指定权重路径

# include_top= False 不加载三层全连接层

2、添加新层

将自己要目标图片，简单分类，统计类别（在训练模型时需要指定类别）

# 添加新层

def add_new_last_layer(base_model, nb_classes):

    ‘‘‘
    添加最后的层
    :param base_model: 预训练模型
    :param nb_classes: 分类数量
    :return: 新的 model
    ‘‘‘
    x = base_model.output
    x = GlobalAveragePooling2D()(x)
    x = Dense(128, activation=‘relu‘)(x) #输出的特征维度 88
    predictions = Dense(nb_classes, activation=‘softmax‘)(x)
    model = Model(input=base_model.input, output=predictions)
    return model

3、冻结 base 层

以前的参数可以使用预训练好的参数，不需要重新训练，所以需要冻结，不让其改变。

def freeze_base_layer(model, base_model):

        for layer in base_model.layers:

        layer.trainable = False

 4、编译模型

model.compile(optimizer=‘rmsprop‘, loss=‘categorical_crossentropy‘, metrics= [‘accuracy‘])

# optimizer: 优化器

# loss: 损失函数，多类的对数损失需要将分类标签转换为（将标签转化为形如(nb_samples, nb_classes)的二值序列）

# metrics: 列表，包含评估模型在训练和测试时的网络性能的指标准备训练数据。

5、训练

#数据准备
IM_WIDTH, IM_HEIGHT = 224,224
train_dir = ‘./refine_img_data/train‘
val_dir = ‘./refine_img_data/test‘
nb_classes = 5
np_epoch = 3
batch_size = 16
nb_train_samples = get_nb_files(train_dir)
nb_classes = len(glob.glob(train_dir + ‘/*‘))
nb_val_samples = get_nb_files(val_dir)

# 根据现有数据，设置新数据生成参数
train_datagen = ImageDataGenerator(
preprocessing_function=preprocess_input,
rotation_range=30,
width_shift_range=0.2,
height_shift_range=0.2,
shear_range=0.2,
zoom_range=0.2,
horizontal_flip=True
)

test_datagen = ImageDataGenerator(
preprocessing_function=preprocess_input,
rotation_range=30,
width_shift_range=0.2,
height_shift_range=0.2,
shear_range=0.2,
zoom_range=0.2,
horizontal_flip=True
)

# 从文件夹获取数据
train_generator = train_datagen.flow_from_directory(
train_dir,
target_size=(IM_WIDTH, IM_HEIGHT),
batch_size=batch_size,
class_mode=‘categorical‘
)

validation_generator = test_datagen.flow_from_directory(
val_dir,
target_size=(IM_WIDTH, IM_HEIGHT),
batch_size=batch_size,
class_mode=‘categorical‘
)

# 训练
history_t1 = model.fit_generator(
train_generator,
epochs=1,
steps_per_epoch=10,
validation_data=validation_generator,
validation_steps=10,
class_weight=‘auto‘
)

6、保存模型

将模型保存到指定路径一般保存为 .h5 格式

 model.save(‘/model/test_model.h5‘)

二、特征提取

加载我们训练好的模型，根据需要，取指定层的特征。

# 可用 model.summary() 查看模型结构

#根据模型提取图片特征

target_size = (224,224)

def my_feature(mod, path):
    img = image.load_img(path,target_size=target_size)
    img = image.img_to_array(img)
    img = np.expand_dims(img, axis=0)
    img = preprocess_input(img)
    return mod.predict(img)

# 创建模型，获取指定层特征
model_path = ‘./model/my_model.h5‘
base_model = load_model(model_path)
model = Model(inputs=base_model.input, outputs=base_model.get_layer(‘dense_1‘).output)

# 提取特征
img_path = ‘./my_img/bus.jpg‘
feat = my_feature(model,img_path) # shape 为 (1,128)
print(feat)
print(feat.shape)

#注意， 当需要提取的图片特征数量较大，比如千万以上，需要的时间是比较长的，这时我们可以采用多核与批处理来进行 (python 由于 GIL 的问题对多线程不友好)。
def pre_processs_image(path):
    if path is not None and os.path.exists(path) and len(path) > 10:
    　　try:
        　　img = cv2.imread(path, cv2.IMREAD_COLOR)
        　　img = cv2.resize(img, (224, 224))
       　　 img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
       　　 img = img.transpose(2, 0, 1)
       　　 return [material_id,img, flag]
   　　 except Exception as err:
        　　traceback.print_exc()
       　　 return None
   　else:
　　　　logging.error(‘could not find path: ‘ + path)
　　　　return None

#cpu 部分，调用多核处理函数，指定核数为 20
with ProcessPoolExecutor(max_workers=20) as executor:
feat_paras = list(executor.map(pre_processs_image，, material_batch))

# GPU 部分采用批处理
# TODO

三、创建索引

此处我们使用 Facebook 开源的近邻索引框架 faiss 。

# create index
d = 128
nlist = 100 # 切分数量
nprobe = 8 # 每次查找分片数量
quantizer_img = faiss.IndexFlatL2(d) #根据欧式距离创建索引

image_index = None
model_index = None

if image_feat_array is not None and len(img_feat_list) > 100:
　　image_index = faiss.IndexIVFFlat(quantizer_img, d, nlist, faiss.METRIC_L2)
　　image_index.train(image_feat_array)
　　image_index.add_with_ids(image_feat_array,image_id_array)
　　image_index.nprobe = nprobe
　　image_index.dont_dealloc_me = quantizer_img

# 保存当前索引到指定路径
faiss.write_index(img_index,path)

# 测试当前索引
temp_feat = img_feat_list[1]
res_2 = image_index.search(temp_feat, k=5)
logging.info(‘image search result is:‘ + str(res_2))

四、构建服务

1、flask 开发

参考文档 http://docs.jinkan.org/docs/flask/quickstart.html#a-minimal-application

2、Gunicorn 异步，增加服务稳健性

基础语法：

Gunicorn –w process_num –b ip:port –k ‘gevent‘ fileName：app

# 注意：此处不选择 –k ‘gevent‘ 则为同步运行

同步部署：

gunicorn -b 0.0.0.0:9090 my_service:app

异步部署：

gunicorn -b 0.0.0.0:9090 -k gevent my_service:app

用了 Gunicorn 来部署应用后， 对比 flask , qps 提升了一倍。原 flask 框架中由于我的接口中 request 了其他的接口，线程在此处会阻塞，导致程序非常容易假死。改用后，稳定又了极大的提升。

3、Supervisor 部署监控服务

可参考以下文档 https://www.cnblogs.com/gjack/p/8076419.html

五、总结

项目到这个地方，基本的服务框架已经有了。许多地方只说了大体思路，但是结构是完整。文中的许多用了许多方法工具，如 gunicorn 的异步等， 但是原理却不甚了解，还需要花功夫去学习。由于上线压力大，时间紧，许多地方来不及仔细琢磨，肯定有不少纰漏，后面再查漏补缺吧。

原文地址：https://www.cnblogs.com/yaolin1228/p/9557588.html