按关键词阅读：
利用深度卷积神经网络(DCNN)进行监督图像分类是一个成熟的过程 。 通过预训练模板模型加上微调优化 ， 可以在许多有意义的应用中获得非常高的准确率——比如最近在医学图像上的这项研究 ， 在日常物体图像上预训练的模板Inception v3模型对前列腺癌诊断的准确率达到了99.7% 。
对于无监督的图像机器学习 ， 目前的研究现状远没有定论 。
聚类是无监督机器学习的一种形式 ， 其中数据（本例中的图像）根据数据收集本身的某种结构进行分簇 。 在同一个簇中结束的图像应该比不同簇中的图像更相似 。
图像数据可能是复杂的-变化的背景 ， 视图中的多个对象-因此一对图像比另一对图像更相似意味着什么并不明显 。 如果没有基本的真实性标签 ， 通常不清楚是什么使一种聚类方法优于另一种聚类方法 。
一方面 ， 无监督的问题因此比有监督的问题更加模糊 。 没有现成的正确答案可供优化 。 另一方面 ， 从模糊的问题、假设的产生、问题的发现和修补中 ， 最有趣的东西出现了 。
我将描述一种最新的图像聚类方法的实现 。 这是近年来发表的许多先进的DCNN聚类技术之一 。
我使用PyTorch库来演示如何实现这个方法 ， 并在整个文本中提供了几个详细的代码片段 。
在标准库中没有无监督版本的聚类方法 ， 这点不像有监督版本 ， 它可以很容易获得图像聚类方法 ， 但PyTorch仍然能够平稳地实现实际上非常复杂的方法 。 因此 ， 我能够探索、测试和轻微地探究DCNNs应用于聚类任务时可以做什么 。
我的目标是展示如何从一些概念和方程开始 ， 你可以使用PyTorch来得到一些可以在计算机上运行的非常具体的东西 ， 并指导进一步的创新和修改你所拥有的任何任务
我将把这个应用到真菌的图像上 。 为什么是真菌？你待会儿再看 。
但首先…实现VGG自编码器
在讨论聚类方法之前 ， 我将实现一个自动编码器（AE） 。 AEs有各种各样的应用 ， 包括降维 ， 并且本身很有趣 。 它们在图像聚类中的作用将在以后变得更加清楚 。
用PyTorch库实现基本的ae并不是那么困难（请看这两个例子） 。 我将实现特定的AE架构 ， 它是SegNet方法的一部分 ， 它建立在VGG模板卷积网络上 。 VGG定义了一种体系结构 ， 最初是为监督图像分类而开发的 。
AE的架构如下图所示 。
文章插图
图像自编码的步骤如下：
- 准备输入图像（左上角）
- 将图像输入编码器 ， 由具有标准CNN和ReLU激活的卷积层（绿色）和最大池层（紫色）组成
- 得到一个低维的编码
- 将编码输入译码器 ， 它由转置的卷积层（带归一化和ReLU激活）（浅绿色）和解池化层（浅紫色）加上一个没有归一化或激活的最终卷积层（黄色）
- 获得与输入尺寸相同的输出图像 。
我从创建一个编码器模块开始 。 第一行 ， 包括初始化方法 ， 如下所示：
import torchfrom torch import nnfrom torchvision import modelsclass EncoderVGG(nn.Module):'''基于vgg16体系结构的图像编码器 ， 具有batch normalization 。Args:预训练的params (bool ， 可选):是否应该用预训练的vGG参数填充网络,默认值为True'''channels_in = 3channels_code = 512def __init__(self, pretrained_params=True):super(EncoderVGG, self).__init__()vgg = models.vgg16_bn(pretrained=pretrained_params)del vgg.classifierdel vgg.avgpoolself.encoder = self._encodify_(vgg)编码器的结构与VGG-16卷积网络的特征提取层结构相同 。 因此 ， PyTorch库中很容易找到该部分—PyTorch models.vgg16_bn ， 请参阅代码片段中的第19行 。与VGG的规范应用程序不同 ， 编码不会被输入到分类层中 。 最后两层vgg.classifier以及vgg.avgpool被丢弃 。
编码器的层需要一次调整 。 在解码器的解池层中 ， 编码器的最大池层中的池索引必须可用 ， 在前面的图像中虚线箭头表示 。 VGG -16的模板版本不生成这些索引 。 然而 ， 池化层可以重新初始化 。 这就是EncoderVGG模块的_encodify方法完成的工作 。
def _encodify_(self, encoder):'''基于VGG模板的架构创建编码器模块列表 。 在编码器-解码器体系结构中 ， 解码器中的解池操作需要来自编码器中相应池操作的池索引 。 在VGG模板中 ， 这些索引不返回 。 因此需要使用此方法扩展池操作 。参数:编码器:模板VGG模型返回:模块:定义与VGG模型对应的编码器的模块列表'''modules = nn.ModuleList()for module in encoder.features:if isinstance(module, nn.MaxPool2d):module_add = nn.MaxPool2d(kernel_size=module.kernel_size,stride=module.stride,padding=module.padding,return_indices=True)modules.append(module_add)else:modules.append(module)return modules
稿源：(未知)
【傻大方】网址：http://www.shadafang.com/c/111T31F92020.html
标题：用PyTorch实现图像聚类