之前有写过爬取大量表情包以供广大网友斗图使用，有部分网友反映这样的表情包太乱太杂，量确实是足够的，但没有分门别类，熊猫头、杰尼龟、脆皮鹦鹉等等热门表情包都是一锅乱炖，今天我们就来做做这件事！
那这第一个想法显然是利用深度神经网络其极强的非线性拟合能力来完成对表情包的分类，但是很可惜，我没有能够用于训练的带标签的表情包，用人工做标注费时费力，难以令人接受。
于是，这小脑袋瓜一转我就想到了可以利用聚类算法来完成这项任务。无监督学习可以从没有任何标注的数据中学习一个模型，也就能够实现将同款表情包聚到一起。
整个工程可以分为三个模块，第一个模块是网络爬虫部分，在知乎的表情包相关问答中爬取了50655张表情包，这里我采用了一个简单的分布式爬虫，爬取表情包的链接与通过链接下载图片这两个过程同步进行，下载这一部分利用了多线程进行下载的加速，感兴趣的同学可以点击这里回顾。第二个模块是特征提取部分，利用Inception v3 已经训练好的网络结构，对表情包做特征提取。第三个模块是特征聚类部分，直接利用K-means算法对特征进行聚类，也就是表情包的聚类。
至于模型的评估这里没有采取相应的计算公式，直接查看表情包的聚类效果，即是否同一系列的表情包被聚在了一起。
下图给出了整个系统设计的流程图。
这一部分主要是利用了已经训练好的 Inception v3 模型，来进行特征的提取，得到每一张表情包的2048维特征向量，并保存在pickle文件之中，以便进行后续的聚类工作。这里注意给每个表情包打上数字标签，以便将特征向量聚类完成之后，实现表情包的对应聚类。
with tf.Session() as sess: """ 打开会话，进行特征提取 """ sess.run(tf.global_variables_initializer()) tensor=sess.graph.get_tensor_by_name('pool_3/_reshape:0') for i in range(num_batches): batch_img_data=img_datas[i*batch_size:(i+1)*batch_size] batch_img_labels=img_labels[i*batch_size:(i+1)*batch_size] feature_v=[] for j in batch_img_data: j_vector=sess.run(tensor,feed_dict={'DecodeJpeg/contents:0':j}) feature_v.append(j_vector) feature_v=np.vstack(feature_v) save_path=os.path.join(output_folder,'data_%d.pickle'%i) with tf.gfile.FastGFile(save_path,'w') as f: pickle.dump((feature_v,batch_img_labels),f)程序进行一段时间的运行之后，得到了如下图所示的系列pickle文件。
好的开始就是成功的一半！我们既然已经获取了表情包对应的特征向量，下面的操作也就很容易了，只要从pickle文件中提取出特征向量，利用sklearn库已经封装好的K-means算法就可以实现聚类啦！
defcluster(): """ Kmeans做图像聚类 """ num_clusters=20 model=KMeans(n_clusters=num_clusters, max_iter=30000, tol=1e-15,n_init=400, init='k-means++',algorithm='full', n_jobs=-1) feature_matrix,origin_labels=get_matrix() model.fit(feature_matrix) result=model.predict(feature_matrix)
训练完成之后，我们可以将特征对应的表情包放入同一个文件夹之中，来看看效果。
发现部分特征明显的表情包聚类的效果非常好，几乎就是同一类的表情包被准确的分在了同一个文件夹内，但是有很多的表情包未被正确分在不同的文件夹之中。于是我反复进行了模型参数的修正，并且对离群点做了舍弃的处理，得到了一些不错的结果。
我们可以看到猫狗表情包也被正确的分开，聚在了不同的文件夹之中。
这种萌萌哒的表情包也聚合在一起。
小朋友与大人的表情包也被正确的分开。
但是因为表情包种类的多样性，聚类的效果依然没有特别完美，存在一些文件夹内包含许多不同种类表情包的现象。我们也可以考虑进一步地修正提升。
另外，想要完整源代码的同学可以在后台回复「聚类」即可，还有想要已经聚类完成的表情包的回复 「BQB」就行啦~
联系客服
