近日，一名叫Matt Fraser的小哥用Cloud AutoML製作了一個分類器，能識別分類澳大利亞的各種毒蜘蛛。
在這篇文章中，小哥手把手教你如何在零基礎的情況下也做一個圖像分類器出來，非常簡單容易上手，可以說是好玩又實用了。量子位將這篇文章全文翻譯整理，與大家分享。
警告：這篇文章中包含蜘蛛（and蜘蛛俠）的照片，過敏患者請繞行~
簡介兩個月前，谷歌發布了全自動訓練AI無需寫代碼的Cloud AutoML，即使你不懂機器學習，也能訓練出一個定製化的機器學習模型了，這則消息當時還震驚了AI圈。
對，在這篇文章中，我就小露一手自己是怎樣在幾個小時之內，用開發利器Cloud AutoML
訓練出一個毒蜘蛛圖片分類器的。在開始訓練前我手頭沒有任何數據，它僅僅需要你對機器學習相關的基本概念有一個基礎的了解。
我可能可以教會老媽也訓練一個出來！
獲取數據獲取數據是訓練機器學習模型的第一步，可我不想跑去澳大利亞的叢林收集毒蜘蛛的照片。
怎麼辦！
幸好，谷歌還提供另外一個工具幫我做這件事：谷歌圖像搜索。
手動下載數百張照片也挺麻煩，所以我用了一個簡單的Python腳本小工具批量下載了圖片。
批量下載小工具代碼：
https://github.com/hardikvasa/google-images-download
我用「whitetail spider（白尾蜘蛛）」和「redback spider（紅背蜘蛛）」關鍵詞搜索，每種蜘蛛各搜集100張照片。
至此，獲取數據這步完美通關。
如果你的很多圖片是沒有標記的，你可以將它們導入Cloud AutoML Vision服務中，然後選擇Human Labeling Service人工打標籤。
將數據集導入Cloud AutoMLCloud AutoML先把搜集的照片放入谷歌雲存儲系統中，你可以用UI將圖像導入這個工具。為了節約時間，我用gcloud command line tool將圖像複製到系統裡。
接下來，我需要包含每個圖像bucket url和標籤的CSV。谷歌圖像搜索下載工具將其結果放入文件夾中，因此及我編寫了一個腳本將文件的列表一一放在下面格式的CSV中，最後上傳到同一個bucket裡。
gs://my-automl-bucket/path/to/image,whitetail
gs://my-automl-bucket/path/to/image,redback
之後我在Cloud AutoML中創建了一個新數據集，給出了我分類的CSV的位置：
訓練模型導入標記了的圖像後，訓練模型只需要「基礎」和「高級」選項之間選擇再一個，之後點擊一下就能一鍵訓練模型了。
我選擇的是免費方案，不到20分鐘我就收到了電子郵件，告知我的模型已經訓練好了！
模型評估模型訓練好後，Cloud AutoML會提供一些不錯的工具幫助評估模型是否有效。如果你之前了解過一些機器學習的相關概念，能幫助你更好完成這一步。
你也可以上傳一些新照片檢測模型是否能正確分類。我上傳了下面兩張圖片，可以看出，雖然訓練示例圖像的像素很低，但運行效果還不錯。
當給模型一張高腳蛛的圖片時我有些困惑，因為這是它從未見過的品種。模型的整個「世界觀」都是基於在訓練集中提供的標籤，所以不管給它什麼，它都會根據這些標籤做出預測。
我又給模型一張蜘蛛俠的照片，有趣的是我發現它有有點分不清了。
可不是嘛！
使用模型訓練完成後模型就會自動部署。這意味著只要你實現了模型的準確性，就可以通過Cloud Vision API指定模型在生產中使用它。理論上講目前數據集還是太小，你需要更多種類蜘蛛的更多的照片才能保證效果。
結論谷歌的Cloud AutoML Vision服務標誌著機器學習技術向「人人可用」邁出了一大步。有了這樣的工具，任何開發者可以輕鬆構建一個自定義圖像分類的應用程式。
可能你不久之後就會在應用商店中看到「 Spiderapp」這個應用，到時候不要太驚訝。
最後，附原文地址：
https://shinesolutions.com/2018/03/14/using-google-cloud-automl-vision-to-classify-poisonous-australian-spiders/amp/?__twitter_impression=true
量子位AI社群15群開始招募啦，歡迎對AI感興趣的同學，加小助手微信qbitbot6入群；
此外，量子位專業細分群(自動駕駛、CV、NLP、機器學習等)正在招募，面向正在從事相關領域的工程師及研究人員。
進群請加小助手微信號qbitbot6，並務必備註相應群的關鍵詞~通過審核後我們將邀請進群。（專業群審核較嚴，敬請諒解）
量子位正在招募編輯/記者，工作地點在北京中關村。期待有才氣、有熱情的同學加入我們！相關細節，請在量子位公眾號(QbitAI)對話界面，回復「招聘」兩個字。