简介： 通过 Julia 的语法、函数、编译器使机器学习技术变得更加简单。

1、机器学习如何工作

通过机器学习，研究人员可以构造算法，使计算机自身能够在大量的数据中找到数学模式，而这是人类不可能做到的。想想看: 如果我问你，你怎么知道一张照片中的动物是猫还是狗，你会怎么说？你可能会看看动物的胡须、脸形和耳朵。但是，你要如何从数学模式上判断这个动物是否有胡须呢？你能写出一个数学公式获取图像的像素值，并将其转换为动物物种的分类器吗？

当然不能，因为人类几乎不可能这样做，我们以前尝试过。事实上，有一个叫作特征工程（feature engineering）的研究领域，但对于稍微复杂的任务，它完成得从来都不理想。

这就是机器学习存在的原因，它可以使计算机为我们找到这些数学公式。

就像人类从经验中学习一样，机器学习算法也是如此。你可以在一个数据集上“训练”一个机器学习算法，它将尝试“建模”该数据集，并理解从输入到输出映射的数据集中的复杂性和模式。但是，训练人类和训练机器有一个关键区别: 人类可以从少数几个样本中学习，但是机器却需要从成百上千，甚至数百万个样本中学习。

如果你要向那些从来没见过吹雪机和割草机的人口头描述它们的区别，他们一定能很好地区分它们。但是，如果你希望计算机将图像分为这两类，那么你至少需要提供数百个视觉样本，才能得到可接受的结果。

此外，训练这些算法需要很强大的计算能力，而 Julia 恰好比较擅长这件事。

2、使用 Flux 的样式传递

Julia 提供了一个叫作 Flux 的包，它可以帮助你解决许多问题！Flux 包的一部分被称为 Metalhead project，它可以使你在计算机上使用预先训练过的机器学习算法，而不必自己训练它们。让我们来看一个例子。

首先，请打开 REPL 并添加以下软件包:

① Flux

② Metalhead

③ Images

④ PyCall>

以下是使用的命令:

js using Pkg Pkg.add("Flux") Pkg.add("Metalhead") Pkg.add("Images") Pkg.add("PyCall")

现在,打开一个新的 Julia 文件，并输入以下代码:

js Code Listing 9.1, ImageClassifier.jl using Metalhead: VGG19, preprocess, load, labels using Flux: onecold model =VGG19() class_labels =labels(model) print("Enter the name of your file: ") user_image =preprocess(load(readline())) model_prediction =model(user_image) top_class =onecold(model_prediction)\[1\] class_name =labels\[top_class\] println("I think this image contains: $(class_name)")

从数学和机器学习的角度来看，这是比较简单的工作，但因为你对此还比较陌生，所以我不会深入讲解模型本身的工作原理。然而，Julia 代码非常简单，你应该可以理解此文件中的大部分代码。这就是 Julia 和 Flux 的优雅之处，你不需要编写非常复杂的代码以使用机器学习模型。

现在你可以拍一些照片，可以是你的宠物、电脑、电视或你自己，或者你可以从网上下载一张照片，将它们放在与你刚刚编写的 Julia 代码文件相同的目录中，然后运行该代码。

当你第一次运行该代码时，它将会从网上下载名为 VGG19 的机器学习模型（VGG19 表示 Oxford Visual Geometry Group’s 19-layer model）。根据你的网络环境，这可能需要几分钟的时间。

然而，无论你运行了多少次代码，它都会继续初始化模型。一旦模型加载后，你将看到一个请求图像文件的提示。输入文件的名称和扩展名，然后按 Enter 键。几秒后，代码应该会输出它在图像中看到的内容。例如，假设有一张如图 1 所示的称为 cat.jpg 的图像。

■ 图 1 测试图像分类器程序的猫图像

这是我与程序之间的交互:

Enter the name of your file: cat.jpgI think this image contains: Egyptian cat

结果非常接近，应用程序在图像中看到一只 Egyptian cat。这真的很棒，但这并不是什么新鲜事，这种技术已经存在很多年了，如果你使用 Apple Photos 或 Google Photos，你的图像会被自动分类。事实上，这些平台甚至可以自动进行面部识别，使你的生活更便捷。

那么如何用机器学习生成一些艺术作品呢？我们将使用一种称为梯度上升（gradient ascent）的技术生成 DeepDream 艺术作品。你可能还记得几年前的 DeepDream，当时 Google 的研究人员可视化了“神经网络的激活”。我知道这听起来很复杂，在大多数语言中，即使是实现算法的一个简单版本也需要相当多的代码。

但在 Julia 中，这几乎是微不足道的。下面让我们实现一个可以获取图像并对其添加“艺术风格”的应用程序。打开一个新文件，输入以下代码:

Code Listing 9.2 DeepDream.jlusing Metalhead: VGG19，preprocess，loadusing Flux: @epochsusing Statistics， PyCall， Flux.Trackerusing Images: RGBnp= pyimport("numpy")Image = pyimport("PIL.Image")function deprocess and pillow(img)([0.485，0.456，0.406]， [0.229，0.224，0.225])队，=rgb = cat(collect(map(x-> (img[:，:，x，1].* [x]) .+ 从[x]，1:3))..., dims= 3)rgb = np.uint8(np.interp(np.clip(rgb ./ 255，-1，1),以 (-1，1)，(0，255)))returnImage.fromarray(rgb).transpose(Image.FLIP LEFT RIGHT).Crotate(90)endmodel = VGG19().layers[1:11]loss(x) = mean(model(x))dloss(x) = Tracker.gradient(loss，x)[1]function calc gradient(x)g = Tracker.data(dloss(x))return g * (mean(1.5 ./ abs.(g)) + 1e- 7)endprint("Enter the name of your file: ")img = preprocess(load(readline()))epochs 20 global img += calc gradient(img)deprocess and pillow(img).show()

在本例中，我不会深入讲解这段代码的工作原理，关键是让你看到使用 Julia 能够做些什么。

更多需要了解的内容:

从本质上说，这不是训练一个神经网络的权重，而是通过一个损失函数（loss function）找到对权重的梯度，我们通过使用一个可以使卷积神经网络中某层滤波器的均值最大化的函数找到了相对于输入的梯度。现在，如果你再次运行该应用程序，它将加载该模型并请求你输入一个文件。这次我输入了一张自己的图像（见图 2）。

■ 图 2 输入 DeepDream.jl 的图片

我得到了如图 3 所示的输出。

■ 图 3 DeepDream.jl 生成的第一张艺术作品

哇！这是一张很棒的艺术作品。如果你将代码

js model =VGG19().layers[1:11]

改为

js model =VGG19().layers[1:end-10]

你应该会得到一张令人毛骨悚然的艺术作品

■ 图 DeepDream.jl 生成的第二张艺术作品

好吧，这也太奇怪了。让我们将代码更改为

model =VGG19().layers[1:7]

现在，你应该会看到图中的图像。

■ 图 DeepDream.jl 生成的第三张艺术作品

很好！关于这种艺术作品还有一些需要讲解的地方: 它不是计算机在画布上的基本图像上随机画出来的，事实上，该系统是在世界上最大的图像数据集上进行训练的，它包含超过 1000 个类别的 100 多万张图像。所以，如果你仔细观察，你可能会发现动物或其他类似于图像中描绘的物体的一些特征。例如，在生成的第二张图像中，你可能会在我的眼睛和嘴巴周围看到一些类似狗或其他动物的特征，这是因为在生成本艺术作品之前，这个系统的数据集中有很多动物。

你刚刚实现的一切都是由机器学习技术支持的，并且通过 Julia 的语法、函数和编译器使其变得非常简单。