随着互联网的推进和发展，电子商务被广泛应用，因此大量电商平台涌现在人们的生活中，如淘宝、亚马逊、京东等电商平台，人们可以利用各种网络设备在网络上进行购物，例如：平板电脑、智能手机、笔记本电脑等。在过去的几年里，商品的种类急剧增加，海量的商品已经成为消费者在寻找相关商品时面临的严峻挑战。这就导致了各大电商平台对商品查询或搜索方法的迫切需求，传统的商品查询方法是基于文本数据的，即依据商家上传图像相应的文本信息进行分类，在这种情况下，商品的分类基本上转变成基于关键词的匹配查找。这种方法速度快、方便操作、易于实现，也因此吸引了不少电商平台的使用，但这些文本数据仅仅包含了商品的元信息，例如：商品的名称、价格、样式、出厂地、生产日期等元数据，事实上这些信息难以反映出商品的完整特征。

其实品图像蕴含丰富的信息和数据，同时能够直观地展现商品的大部分特征，例如：尺寸、形状、颜色等特征，所以如果在电商平台中添加并设置商品图像分类功能，这能够给顾客和商家提供更好的商品查询和搜索体验。但正因为图像中拥有大量的数据，所以基于图像的分类方法在数据处理上比基于文本的分类方法要复杂。国内外已经有不少的团队或学者利用传统的机器学习方法进行了基于图像的商品分类方法的研究，基于机器学习的商品图像分类方法主要分为五个部分：一是图像预处理，二是特征提取，三是模型建立，四是模型训练，五是模型优化以及参数调整，其中最为困难和关键的部分是特征提取，所以许多国内外团队研究以及尝试了多种不同的特征提取的方式和方法。

近几年随着深度学习的兴起和发展，越来越多的图像分类应用和研究开始使用卷积神经网络、深度神经网络等深度学习方法。深度学习是一个新兴的领域，它模仿人脑来解释并学习数据，例如图像，声音和文本等。对于图像分类领域来说，深度学习的好处是用特征学习和分层特征提取算法来替代传统的手工获取特征的方法。例如：卷积神经网络（CNN）中的“卷积”操作（convolution）和卷积核（kernel）就是CNN中进行自动特征提取和学习的核心组件。所以利用深度学习的方法来实现商品图片分类，可以省去利用人工设计的算法来获取图像特征这一步骤，直接将预处理好的图片送入初始的模型中，进行训练，后期只需要将大部分的精力投入模型的优化以及超参数的调整中即可。所以深度学习具有核心算法简洁、学习能力强、灵活的特点。

2. 研究的基本内容与方案

本次毕业设计研究的基本内容是通过深度学习的方法（比如：卷积神经网络）来对电商图像数据集进行分类，最终通过大量训练和多次优化，实现一个用于商品图像分类的分类模型。具体目标是，给分类模型输入一张或多张商品图片，分类模型输出其最大概率值所在的类别。

在具体毕业设计进行过程中，我打算按照以下流程进行相关知识的学习和毕业设计的具体实施。

（1）python编程能力的提升：由于现在python有许多关于深度学习和卷积神经网络方面的工具和库，所以毕业设计我选择python作为开发语言，例如：keras，tensorflow， pytorch等等一些主流深度学习开发框架，学习这些框架的同时，我要提高python语言的熟练度以及高级编程能力，这对我之后算法的实现有很大的帮助。

（2）keras的学习：Keras是一个高层神经网络API，Keras由纯Python编写而成并基于Tensorflow、Theano以及CNTK后端。Keras 为支持快速实验而生，这是我毕业设计的主要框架。

（3）图像数据集：数据集采用PI100图像数据集(Microsoft product-image dataset)，这个数据集是Microsoft Research 从MSN网站中收集的，这个数据集总共有100类商品，每张图片的大小为100×100，分为训练集和测试集，训练集有10000张图片，测试集有2000张图片。

（4）模型建立：参考国内外的文献资料，先确立最初始的模型，之后在训练的过程中，根据训练的结果图像以及训练过程，来调整模型以及模型参数。

（5）模型训练：由于cpu处理图像比较困难，在模型训练过程准备采用GPU进行模型的训练，初步准备使用 GTX 1070显卡，8G显存，这样可以缩短训练时间。