[发明专利]基于TensorFlow的深度学习图像分类与应用部署方法

说明书

本发明提供一种基于TensorFlow的深度学习图像分类与应用部署方法，包括以下步骤：1）搭建Tensorflow机器学习开发环境；2）数据采集与转换，通过分布式爬虫系统从互联网中获取大量有标签或者无标签的图像数据，并对图像数据进行预处理；3）模型建立与训练，建立分类模型，根据获取的图像数据对分类模型进行训练、测试与验证，并将训练好的分类模型保存；4）将训练好的分类模型导出；5）定义服务器接口，为导出的分类模型创建分类服务器；6）创建请求服务，为移动端与分类服务器建立连接，创建Web APP，移动端通过Web APP上传图像数据，并调用分类模型实现图像的自动分类；7）产品部署，将分类服务器应用于产品。

技术领域

本发明属于深度学习应用领域，具体的说，涉及了一种基于TensorFlow的深度学习图像分类与应用部署方法。

背景技术

近年来，以深度学习为代表的机器学习异军突起，称为当前人工智能研究领域的热点。但是现有的深度学习多是用于学术研究，在大规模的产品研发和商业应用领域面临巨大的挑战。

首先，深度神经网络模型复杂，训练数据多，计算量大。一方面，深度学习所使用的深度神经网络DNN（Deep Neural Networks）需要模拟人脑的计算能力，这要求DNN中神经元数量要多，且要求每个神经元都包含数学计算（如Sigmoid、ReLU或者Softmax函数），需要估计的参数量也极大。另一方面，DNN需要大量数据才能训练出高准确率的模型。DNN参数量大，模型复杂，为了避免过拟合，需要海量训练数据。两方面因素叠加，导致训练一个模型耗时惊人。

其次，深度神经网络需要支持大模型且深度神经网络训练收敛难，需要反复多次实验。

因此，深度学习成为一个效果很好但门槛极高的方向，如何落地产生实际应用效果成为制约深度学习广泛而深入应用的瓶颈问题。

为了解决以上存在的问题，人们一直在寻求一种理想的技术解决方案。

发明内容

本发明的目的是针对现有技术的不足，从而提供了基于TensorFlow的深度学习图像分类与应用部署方法。

为了实现上述目的，本发明所采用的技术方案是：一种基于TensorFlow的深度学习图像分类与应用部署方法，包括以下步骤：

1）搭建Tensorflow机器学习开发环境

2）数据采集与转换

通过分布式爬虫系统从互联网中获取大量有标签或者无标签的图像数据，并对图像数据进行预处理；

3）模型建立与训练

建立分类模型，根据获取的图像数据对分类模型进行训练、测试与验证，并将训练好的分类模型保存；

4）将训练好的分类模型导出；

5）定义服务器接口，为导出的分类模型创建分类服务器；

6）创建请求服务，为移动端与分类服务器建立连接

创建Web APP，移动端通过Web APP上传图像数据，并调用分类模型实现图像的自动分类；

7）产品部署

将分类服务器应用于产品。

基于上述，步骤2）数据采集与转换的具体步骤为：

21-数据获取

利用网络爬虫从互联网中获取分类目标不同尺度、位姿、光照下的图片数据集，并将相关图片自动转换成32*32的jpg图片；

22-数据打标