楼主在自学完人工智(ruo)能(zhi)后,一直都没有在测试工作中找到可施展的地方。碰巧近再和360的同行交流后,灵光一闪,有了的文章。
  背景
  花椒相机是360发布的一款拍照APP,可以在照片中加入各种小插件来美化照片。尽管自动化可以搞定该APP拍照的大部分功能,但是对于加入插件后的照片是否正确却无法验证,只能通过保存到本地,进行人工检查。无法使自动化形成一个闭环,未能使自动化的价值大化。
  可行性分析
  既然可以拍照把照片保存到本地,当照片变多后,形成了大量的照片数据,这些照片完全可以再利用起来,用人工智能来玩。
  工具选择
  · Google出品的TensorFlow,说真的,楼主倒腾了两天TensorFlow,硬是没搞出个结果来,所以放弃了。
  · Python机器学习包,Scikit-learn,超好用的机器学习包,一直都在用这个机器学习包。
  工欲善其事必先利其器
  这里简单的写下所需要的工具包的安装,如果安装的时候遇到了各种莫名其妙的报错问题,那么Google一下
  楼主的Python版本是2.7,已经安装好pip,所以只要简单几步可以安装好运行Scikit-learn所需要的环境
  安装Numpy
  $ sudo pip install numpy
  安装Scipy
  $ sudo pip install scipy
  安装Scikit-learn
  $ sudo pip install scikit-learn
  安装PIL, 这个用来读取图片,到官网下载安装包到本地,切换到解压路径
  $ sudo python setup.py install
  注意: 有可能还要安装JPEG的包,这个取决于本机是否已经安装,未安装的可以参考网上教程
  其他
  · 训练数据以及测试数据,这里楼主自拍了7种不同插件的照片共计136张,测试数据5种共计5张
  · 对于机器学习来说,数据是越多越好越多越好,更多的数据会让你的模型效果更佳 :)
  你仅仅需要一点点机器学习的基础知识,以及Python基础知识。
  那我们从这里开始进入正文
  因为楼主的目的是要对图片进行多分类,因为楼主的数据里面已经有X -> Y了,所以这是一种有监督学习。
  首先我们要确定的是用什么算法来训练数据,这里楼主主要试验了两种算法:
  1、KNN
  使用KNN的时候,因为数据样本不够多,正确率大概在60%左右,不是太可观的结果。
  2、SVM
  对于,支持向量机,也使用了两种算法
  · SVC:"one-against-one"策略
  · LinearSVC:"one-vs-the-rest"策略
  代码如下:
import Image
import numpy as np
import os
from sklearn import svm
def getTrainClass(category):
if category == 'Train':
classes = {0, 1, 2, 3, 4, 5, 6, 7}
else:
classes = {0, 1, 2, 5, 7}
return classes
def getImageData(path,classes):
ImageList = []
LabelList = []
for name in classes:
class_path = cwd + path + "/" + str(name) + "/"
for image_name in os.listdir(class_path):
image_path = class_path + image_name
if 'JPG' in image_path:
img = Image.open(image_path)
ImageList.append(np.asarray(img).flatten())
LabelList.append(name)
return ImageList, LabelList
cwd = '/home/hadoop/Pictures/pic1/'
TrClasses = getTrainClass('Train')
tr_img, tr_label = getImageData('Train',TrClasses)  #加载训练数据
tstClass = getTrainClass('Validation')
tst_img, tst_label = getImageData('Validation',tstClass)  #加载测试数据
svcClf = svm.LinearSVC()    #直接使用默认参数好了
svcClf.fit(tr_img,tr_label)
Z = svcClf.predict(tst_img)
result = (1 - np.sum(Z==tst_label)/float(len(tst_img)))
print " the total error rate is: %f" %result
  使用LinearSVC训练数据的时候,效率稍微有点低,比直接使用SVC低,但是别人正确率高呀
  结果如下:

  剩下要做的是是固化了,然后可以直接调用了。
  写在后的话
  这是时下很火热的人工智(RUO)能(ZHI)在测试中的一种应用,相信在测试工作中,还有很多地方可以使用人工智(RUO)能(ZHI)来提高咱们的工作效率。