我一直在构建一个图像搜索引擎，该引擎使用机器学习来查找相似的图像。
我的方法是，我使用了预先训练的CNN模型，当用户输入图像时，它会通过CNN传递，并且图像嵌入是从最后一个隐藏层获取的。通过存储图像的嵌入来计算余弦相似度，并返回大多数相似图像。
问题：我想从中制作一个可扩展的 API ，并且可以供数百个用户使用< / strong>，同时具有最短响应时间。另外，数据库中可能存在大量图片，那么存储它们的最佳方法是什么？
答案 0 :(得分：1)
您可能会在这里找到2种选择。
与运行时编码相比，时间效率要高得多，因为您只需对用户图像进行编码并与存在编码值进行比较即可。
内存（数据库大小），但是您可以改善这一点，通过构建网络具有强编码效果的方法，可以显着减少输出矢量长度，我猜想对编码器结果设置一些限制将有助于实现此结果。
具有压缩图像的体系结构。只是 编码器和解码器架构。
您定位两层 第一层 稍微成像一下（不丢失信息），最后一层 具有很强的编码权重。
存储两个图层，输出图像的编码值和 已编码的值，该值将用于测量 相似性。
您将编码图像传递给解码器，该图像可能是 转置的卷积层简称为 deconvolution 渲染图像。
时间的效率仍然很高，但低于 first 方法，因为如果需要显示图像，则需要对其进行解码。
内存消耗（数据库大小），但远少于第一方法
通过摆脱最后一层的编码值，您可以改善整体内存和时间。并只需存储中间层编码值（半编码图像）并存储它，通过这种方式，存储图像所需的内存会大大减少，通过压缩其尺寸，并且时间仍然相同，但单独的请求（对于每个图像，继续编码，解码以呈现图像）。
对于使用 Keras 的最简单方法建立模型，它是高级 API ，运行在 TensorFlow 之上，或者您可以使用 PyTorch 。
我通常使用的 Tensorflow 对于效率和处理所有过程（例如预处理）都非常有用，为您的图像使用有效的格式，训练和预测，它具有很好的功能来处理您的输入管道。
训练完模型后，您需要尽可能高效地搜索，如果您使用算法将编码后的矢量进行聚类这样的 KMeans ，那么您只需要比较 N个群集，而不是整个数据集，则可以使用 KMeans Tensorflow 或 Sklearn 。无论如何，我建议您对每种情况有一些逻辑，以便在整个数据集上进行搜索，并在 N个群集和交替之间进行搜索。
高效搜索的另一种方法是使用数据结构，例如 kd树，但是您需要添加一些逻辑来处理案例， KMeans 可能是您更好的选择，因为 kd树可能需要一些额外的努力。
然后，您可以使用 Django 框架甚至 Flask 将实现和逻辑打包到基于Web的应用程序中。