目前机器学习对图像的应用主要有两种，一个是图片分类，另外一个是目标识别。使用Google自带的Object Detection 训练集可以对90种目标进行自动识别了。
很多业务场景有目标识别的需求的，当然不是单纯的目标识别，还需要将目标识别的结果对接到我们的业务系统，提高客户的自动化和智能化管理水平。
让我们选择一个身边的场景来一场目标识别的游戏，由于ISD是盛产帅哥的地方，于是就通过机器学习看看ISD里面哪个帅哥更像刘德华。
第一步：网上下载刘德华的训练集和测试集图片，训练集下载了30张，测试集下载了10张
第二步：标记好刘德华头像的位置，并生成tensorflow的训练用的record格式
第三步：使用google 号称最快的object detection 模型ssd_mobilenet_v1_coco投入训练
第四步：训练了一个晚上大约训练了50,000 次，从TensorBoard 上面看收敛的结果并不理想，基本上是由于训练集太小导致的
第五步：导出训练好的模型
第六步：测试训练模型，从ISD随机选了3位帅哥，测试了一下跟刘德华的匹配程度，第一张是真的刘德华：）
我想你已经知道了谁是ISD的刘德华了：），那位最不像刘德华的同学我觉得更像吴彦祖，刘德华和吴彦祖哪个更帅还真难说。
总结一下：
1. 图片分类和图片目标定位需要大量的样本做测试训练，否则没有任何意义，包括我们寻找刘德华的游戏
2. 训练的次数也非常关键，次数越多越容易收敛，目标检测的越准确
3. 最后GPU真的很重要，采用CPU训练非常的缓慢，30张图片每训练一步基本上耗时1秒钟，可想而知超大规模的训练集用CPU会是什么后果。
写在最后，今天一个军队里的发小针对“中兴被禁事件”发了一篇微博
非常励志，however，芯片不能迟早而是要尽快造出来，否则导弹定位可能就是CPU跟GPU的差距，我们还在算目标呢,人家的导弹已经瞄准发射了，国人加油！
