1 引言
七月了，大家最近壹定被壹項新的政策給折磨的焦頭爛額，那就是垃圾分類。《上海市生活垃圾管理條例》已經正式實施了，相信還
是有很多的小夥伴和我壹樣，還沒有完全搞清楚哪些應該扔在哪個類別裏。感覺每天都在學習壹遍垃圾分類，真令人頭大。
聽說壹杯沒有喝完的珍珠奶茶應該這麽扔
1、首先，沒喝完的奶茶水要倒在水池裏
2、珍珠，水果肉等殘渣放進濕垃圾
3、把杯子要丟入幹垃圾
4、接下來是蓋子，如果是帶蓋子帶熱飲（比如大部分的熱飲），塑料蓋是可以歸到可回收垃圾的嗷
看到這裏，是不是大家突然都不想喝奶茶了呢，哈哈。不過不要緊，垃圾分類雖然要執行，但是奶茶也可以照喝。
那麽，這裏我們想討論壹下，人工智能和數據科學的方法能不能幫助我們進行更好的垃圾分類？這樣我們不用為了不知道要扔哪個垃
圾箱而煩惱。
2 思路
這問題的解決思路或許不止壹條。這裏只是拋磚引玉壹下，提供壹些淺顯的見解。
第壹種方案，可以把垃圾的信息制成表格化數據，然後用傳統的機器學習方法。
第二種方案，把所有的垃圾分類信息做成知識圖譜，每壹次的查詢就好像是在翻字典壹樣查閱信息。
第三種方案，可以借助現在的深度學習方法，來對垃圾進行識別和分類。每次我們給壹張垃圾的圖片，讓模型識別出這是屬於哪壹種
類別的：幹垃圾，濕垃圾，有害垃圾還是可回收垃圾。
3 圖像分類
圖像分類是深度學習的壹個經典應用。它的輸入是壹張圖片, 然後經過壹些處理，進入壹個深度學習的模型，該模型會返回這個圖片
裏垃圾的類別。這裏我們考慮四個類別：幹垃圾，濕垃圾，有害垃圾還是可回收垃圾。
（報紙 ：可回收垃圾 ）
（電池 ：有害垃圾 ）
（壹次性餐盒 ：幹垃圾 ）
我們對圖片裏的物品進行分類，這是圖像處理和識別的領域。人工智能裏提出了使用卷積神經網絡（Convolutional Neural Network, CNN）來解決這壹類問題。
我會用keras包和Tensorflow後端來建立模型。 由於訓練集的樣本暫時比較缺乏，所以這裏只能先給壹套思路和代碼。訓練模型的工
作之前還得進行壹波數據收集。
相關推薦：《Python視頻教程》
我們就先來看看代碼大致長什麽樣吧
先導入壹些必要的包。
再做壹下準備工作。
在上面，我們初始化了壹些變量，batch size是128； num_classes = 4，因為需要分類的數量是4，有幹垃圾，濕垃圾，有害垃圾
和可
回收垃圾這四個種類。epochs 是我們要訓練的次數。接下來，img_rows, img_cols = 28, 28 我們給了圖片的緯度大小。
在 .reshape(60000,28,28,1)中 , 60000 是圖片的數量（可變）, 28是圖片的大小（可調），並且1是channel的意思，channel = 1?
是指黑白照片。 .reshape(10000,28,28,1)也是同理，只是圖片數量是10000。
到了最後兩行，我們是把我們目標變量的值轉化成壹個二分類， 是用壹個向量（矩陣）來表示。比如 [1,0,0,0] 是指幹垃圾，[0,1,0,0]
是指濕垃圾等等。
接下來是建模的部分。
我們加了卷積層和池化層進入模型。激活函數是 relu，relu函數幾乎被廣泛地使用在了卷積神經網絡和深度學習。我們在層與層之間
也加了dropout來減少過擬合。Dense layer是用來做類別預測的。
建完模型後，我們要進行模型的驗證，保證準確性在線。
到這裏，我們的建模預測已經大概完成了。壹個好的模型，要不斷地去優化它，提高精確度等指標要求，直到達到可以接受的程度。
這優化的過程，我們在這裏就先不深入討論了，以後繼續。
4 總結
值得壹提的是，盡管方法上是有實現的可能，但是實際操作中肯定要更復雜的多，尤其是對精度有著很高的要求。
而且當壹個圖片裏面包含著好幾種垃圾種類，這也會讓我們的分類模型開發變得很復雜，增加了難度。
比如，我們想要對壹杯奶茶進行垃圾分類，照片裏面是包含了多個垃圾的種類，這就比較頭大了，因為這並不是屬於單壹的類別。
前路的困難肯定是有的，不過就當這裏的分享是個拋磚引玉的起點吧。
畢竟李白也說了，“長風破浪會有時，直掛雲帆濟滄海”。