本人在自学完人工智(ruo)能(zhi)后，一直都没有在测试工作中找到可施展的地方。碰巧最近再和360的同行交流后，灵光一闪，有了今天的文章。
背景
花椒相机是360发布的一款拍照APP，可以在照片中加入各种小插件来美化照片。尽管自动化可以搞定该APP拍照的大部分功能，但是对于加入插件后的照片是否正确却无法验证，只能通过保存到本地，进行人工检查。无法使自动化形成一个闭环，未能使自动化的价值最大化。
可行性分析
既然可以拍照把照片保存到本地，当照片变多后，就形成了大量的照片数据，这些照片完全就可以再利用起来，用人工智能来玩。
工具选择
工欲善其事必先利其器
这里简单的写下所需要的工具包的安装，如果安装的时候遇到了各种莫名其妙的报错问题，那么Google一下
楼主的Python版本是2.7，已经安装好pip，所以只要简单几步就可以安装好运行Scikit-learn所需要的环境
安装Numpy
$ sudo pip install numpy
安装Scipy
$ sudo pip install scipy
安装Scikit-learn
$ sudo pip install scikit-learn
安装PIL， 这个用来读取图片，到官网下载安装包到本地，切换到解压路径
$ sudo python setup.py install
注意： 有可能还要安装JPEG的包，这个取决于本机是否已经安装，未安装的可以参考网上教程
其他
你仅仅需要一点点机器学习的基础知识，以及Python基础知识。
那我们就从这里开始进入正文
因为楼主的目的是要对图片进行多分类，因为楼主的数据里面已经有X -> Y了，所以这是一种有监督学习。
首先我们要确定的是用什么算法来训练数据，这里楼主主要试验了两种算法：
1、KNN
使用KNN的时候，因为数据样本不够多，正确率大概在60%左右，不是太可观的结果。
2、SVM
对于，支持向量机，也使用了两种算法
代码如下：
import Image
import numpy as np
import os
from sklearn import svm
def getTrainClass(category):
if category == 'Train':
classes = {0, 1, 2, 3, 4, 5, 6, 7}
else:
classes = {0, 1, 2, 5, 7}
return classes
def getImageData(path,classes):
ImageList = []
LabelList = []
for name in classes:
class_path = cwd + path + "/" + str(name) + "/"
for image_name in os.listdir(class_path):
image_path = class_path + image_name
if 'JPG' in image_path:
img = Image.open(image_path)
ImageList.append(np.asarray(img).flatten())
LabelList.append(name)
return ImageList, LabelList
cwd = '/home/hadoop/Pictures/pic1/'
TrClasses = getTrainClass('Train')
tr_img, tr_label = getImageData('Train',TrClasses) #加载训练数据
tstClass = getTrainClass('Validation')
tst_img, tst_label = getImageData('Validation',tstClass) #加载测试数据
svcClf = svm.LinearSVC() #直接使用默认参数就好了
svcClf.fit(tr_img,tr_label)
Z = svcClf.predict(tst_img)
result = (1 - np.sum(Z==tst_label)/float(len(tst_img)))
print "\nthe total error rate is: %f" %result
使用LinearSVC训练数据的时候，效率稍微有点低，比直接使用SVC低，但是别人正确率高呀
结果如下：
剩下要做的是就是固化了，然后就可以直接调用了。
写在最后的话
这是时下很火热的人工智(RUO)能(ZHI)在测试中的一种应用，相信在测试工作中，还有很多地方可以使用人工智(RUO)能(ZHI)来提高咱们的工作效率。
那就自己多发现吧。
