目錄
0 環境
1 引言
2 思路
3 影象分類
4 總結
0 環境
Python版本：3.6.8
系統版本：macOS Mojave
Python Jupyter Notebook
1 引言
七月了，大家最近一定被一項新的政策給折磨的焦頭爛額，那就是垃圾分類。《上海市生活垃圾管理條例》已經正式實施了，相信還是有很多的小夥伴和我一樣，還沒有完全搞清楚哪些應該扔在哪個類別裡。感覺每天都在學習一遍垃圾分類，真令人頭大。
聽說一杯沒有喝完的珍珠奶茶應該這麼扔
1、首先，沒喝完的奶茶水要倒在水池裡
2、珍珠，水果肉等殘渣放進溼垃圾
3、把杯子要丟入幹垃圾
4、接下來是蓋子，如果是帶蓋子帶熱飲（比如大部分的熱飲），塑料蓋是可以歸到可回收垃圾的嗷
看到這裡，是不是大家突然都不想喝奶茶了呢，哈哈。不過不要緊，垃圾分類雖然要執行，但是奶茶也可以照喝。
那麼，這裡我們想討論一下，人工智慧和資料科學的方法能不能幫助我們進行更好的垃圾分類？這樣我們不用為了不知道要扔哪個垃圾箱而煩惱。
2 思路
這問題的解決思路或許不止一條。這裡只是拋磚引玉一下，提供一些淺顯的見解。
第一種方案，可以把垃圾的資訊製成表格化資料，然後用傳統的機器學習方法。
第二種方案，把所有的垃圾分類資訊做成知識圖譜，每一次的查詢就好像是在翻字典一樣查閱資訊。
第三種方案，可以藉助現在的深度學習方法，來對垃圾進行識別和分類。每次我們給一張垃圾的圖片，讓模型識別出這是屬於哪一種類別的：幹垃圾，溼垃圾，有害垃圾還是可回收垃圾。
3 影象分類
影象分類是深度學習的一個經典應用。它的輸入是一張圖片, 然後經過一些處理，進入一個深度學習的模型，該模型會返回這個圖片裡垃圾的類別。這裡我們考慮四個類別：幹垃圾，溼垃圾，有害垃圾還是可回收垃圾。
我們對圖片裡的物品進行分類，這是影象處理和識別的領域。人工智慧裡提出了使用卷積神經網路（Convolutional Neural Network, CNN）來解決這一類問題。
我會用keras包和Tensorflow後端來建立模型。 由於訓練集的樣本暫時比較缺乏，所以這裡只能先給一套思路和程式碼。訓練模型的工作之前還得進行一波資料收集。
我們就先來看看程式碼大致長什麼樣吧
先匯入一些必要的包。
再做一下準備工作。
在上面，我們初始化了一些變數，batch size是128； num_classes = 4，因為需要分類的數量是4，有幹垃圾，溼垃圾，有害垃圾和可回收垃圾這四個種類。epochs 是我們要訓練的次數。接下來，img_rows, img_cols = 28, 28 我們給了圖片的緯度大小。
在 .reshape(60000,28,28,1)中 , 60000 是圖片的數量（可變）, 28是圖片的大小（可調），並且1是channel的意思，channel = 1 是指黑白照片。 .reshape(10000,28,28,1)也是同理，只是圖片數量是10000。
到了最後兩行，我們是把我們目標變數的值轉化成一個二分類， 是用一個向量（矩陣）來表示。比如 [1,0,0,0] 是指幹垃圾，[0,1,0,0]是指溼垃圾等等。
接下來是建模的部分。
我們加了卷積層和池化層進入模型。啟用函式是 relu，relu函式幾乎被廣泛地使用在了卷積神經網路和深度學習。我們在層與層之間也加了dropout來減少過擬合。Dense layer是用來做類別預測的。
建完模型後，我們要進行模型的驗證，保證準確性線上。
到這裡，我們的建模預測已經大概完成了。一個好的模型，要不斷地去優化它，提高精確度等指標要求，直到達到可以接受的程度。
這優化的過程，我們在這裡就先不深入討論了，以後繼續。
4 總結
值得一提的是，儘管方法上是有實現的可能，但是實際操作中肯定要更復雜的多，尤其是對精度有著很高的要求。
而且當一個圖片裡面包含著好幾種垃圾種類，這也會讓我們的分類模型開發變得很複雜，增加了難度。
比如，我們想要對一杯奶茶進行垃圾分類，照片裡面是包含了多個垃圾的種類，這就比較頭大了，因為這並不是屬於單一的類別。
前路的困難肯定是有的，不過就當這裡的分享是個拋磚引玉的起點吧。
畢竟李白也說了，“長風破浪會有時，直掛雲帆濟滄海”。
關注公眾號「Python專欄」，後臺回覆「垃圾分類2」獲取本文全套程式碼。更多有意思的python等著你