Question

我正在学习如何使用VGG16模型识别相似的对象。我创建了一个文件夹“ images”，可以在文件夹中放置一些.jpg。

但是我对程序的cosine_similarity部分感到困惑。 cosine_similarity函数用于将“ images”文件夹中的所有jpg转换为Eigenvector并相互比较。当值趋于1时，它们更相似。

但是我不明白下面的代码，

sim = ratings.dot(ratings.T)

为什么jpg与自己进行对比（换位），而不是其他？

有人可以跟我解释一下下面的余弦相似度吗？

from keras.applications.vgg16 import VGG16
from keras.preprocessing import image
from keras.applications.vgg16 import preprocess_input, decode_predictions
import numpy as np
import os
import sys

#Calculate similar matrics
def cosine_similarity(ratings):
    sim = ratings.dot(ratings.T)
    if not isinstance(sim,np.ndarray):
        sim = sim.toarray()
    norms = np.array([np.sqrt(np.diagonal(sim))])
    return (sim/norms/norms.T)


def main():
    #from "folder-->image" find all of JPEG files
    y_test=[]
    x_test=[]
    for img_path in os.listdir("C:\\Users\\Desktop\\Python\\ML\\CNN model\\VGG16\\images"):
        if img_path.endswith(".jpg"):
            img = image.load_img("C:\\Users\\Desktop\\Python\\ML\\CNN model\\VGG16\\images\\" + img_path, target_size=(224,224))
            y_test.append(img_path[0:4])
            x = image.img_to_array(img)
            x= np.expand_dims(x,axis=0)
            if len(x_test) > 0:
                x_test = np.concatenate((x_test,x))
            else:
                x_test = x

    #Convert to VGG input format 
    x_test = preprocess_input(x_test)

    #include_top=False == not getting VGG16 last 3 layers
    model = VGG16(weights = "imagenet", include_top=False)

    #Get features
    features = model.predict(x_test)

    #Calculate similar metrics
    features_compress = features.reshape(len(y_test), 7*7*512)
    sim = cosine_similarity(features_compress)

    #
    inputNo = int(sys.argv[1])

    top = np.argsort(-sim[inputNo], axis=0)[1:3]

    #get the first 2 most similar index
    recommend = [y_test[i] for i in top]
    print(recommend)

if __name__ == "__main__":
    main()

Answer 1

为什么jpg与自己进行对比（换位），而不是其他？

sim = cosine_similarity(features_compress)
因此，在这里，我认为features_compress是x_test中包含的所有图像的功能集，而不是单个图像。

因为在前面的for循环中，这似乎是您使用np.concatenate()所做的。

如果确实如此，则将cosine_similarity()返回的结果视为一个矩阵，该矩阵可告诉您每个图像与其他图像的相似性。

使用python进行深度学习（余弦相似度）

1 个答案: