10分鐘搭建你的第一個(gè)圖像識(shí)別模型（附步驟、代碼）

者：Pulkit Sharma

翻譯：王威力

校對(duì)：丁楠雅

本文約3400字，建議閱讀10分鐘。

本文介紹了圖像識(shí)別的深度學(xué)習(xí)模型的建立過(guò)程，通過(guò)陳述實(shí)際比賽的問(wèn)題、介紹模型框架和展示解決方案代碼，為初學(xué)者提供了解決圖像識(shí)別問(wèn)題的基礎(chǔ)框架。

序言

“幾分鐘就可以建立一個(gè)深度學(xué)習(xí)模型？訓(xùn)練就要花幾個(gè)小時(shí)好嗎！我甚至沒(méi)有一臺(tái)足夠好的機(jī)器。”我聽(tīng)過(guò)無(wú)數(shù)次有抱負(fù)的數(shù)據(jù)科學(xué)家這樣說(shuō)，他們害怕在自己的機(jī)器上構(gòu)建深度學(xué)習(xí)模型。

其實(shí)，你不必在谷歌或其他大型科技公司工作，就可以訓(xùn)練深度學(xué)習(xí)數(shù)據(jù)集。你完全可以用幾分鐘的時(shí)間從頭搭建起你自己的神經(jīng)網(wǎng)絡(luò)，而不需要租谷歌的服務(wù)器。Fast.ai的學(xué)生花了18分鐘設(shè)計(jì)出了用于ImageNet數(shù)據(jù)集的一個(gè)模型，接下來(lái)我將在本文中展示類似的方法。

深度學(xué)習(xí)是一個(gè)廣泛的領(lǐng)域，所以我們會(huì)縮小我們的關(guān)注點(diǎn)在圖像分類問(wèn)題上。而且，我們將使用一個(gè)非常簡(jiǎn)單的深度學(xué)習(xí)架構(gòu)來(lái)達(dá)到一個(gè)很好的準(zhǔn)確率。

你可以將本文中的Python代碼作為構(gòu)建圖像分類模型的基礎(chǔ)，一旦你對(duì)這些概念有了很好的理解，可以繼續(xù)編程，參加比賽、登上排行榜。

如果你剛開(kāi)始深入學(xué)習(xí)，并且對(duì)計(jì)算機(jī)視覺(jué)領(lǐng)域著迷（誰(shuí)不是呢？！）一定要看一看Computer Vision using Deep Learning的課程，它對(duì)這個(gè)酷炫的領(lǐng)域進(jìn)行了全面的介紹，將為你未來(lái)進(jìn)入這個(gè)巨大的就業(yè)市場(chǎng)奠定基礎(chǔ)。

課程鏈接：https://trainings.analyticsvidhya.com/courses/course-v1:AnalyticsVidhya+CVDL101+CVDL101_T1/ about?utm_source=imageclassarticle&utm_ medium=blog

一、什么是圖像分類以及它的應(yīng)用案例

二、設(shè)置圖像數(shù)據(jù)結(jié)構(gòu)

三、分解模型建立過(guò)程

四、設(shè)置問(wèn)題定義并認(rèn)識(shí)數(shù)據(jù)

五、建立圖像分類模型的步驟

六、開(kāi)始其他挑戰(zhàn)

一、什么是圖像分類以及它的應(yīng)用案例

觀察以下圖片：

你應(yīng)該可以馬上就認(rèn)出它——是一倆豪華車。退一步來(lái)分析一下你是如何得到這個(gè)結(jié)論的——你被展示了一張圖片，然后你將它劃分為“車”這個(gè)類別（在這個(gè)例子中）。簡(jiǎn)單來(lái)說(shuō)，這個(gè)過(guò)程就是圖像分類。

很多時(shí)候，圖像會(huì)有許多個(gè)類別。手動(dòng)檢查并分類圖像是一個(gè)非常繁瑣的過(guò)程。尤其當(dāng)問(wèn)題變?yōu)閷?duì)10000張甚至1000000張圖片的時(shí)候，這個(gè)任務(wù)幾乎不可能完成。所以如果我們可以將這個(gè)過(guò)程自動(dòng)化的實(shí)現(xiàn)并快速的標(biāo)記圖像類別，這該有多大的用處啊。

自動(dòng)駕駛汽車是一個(gè)圖像分類在現(xiàn)實(shí)世界應(yīng)用的很好的例子。為了實(shí)現(xiàn)自動(dòng)駕駛，我們可以建立一個(gè)圖像分類模型來(lái)識(shí)別道路上的各種物體，如車輛、人、移動(dòng)物體等。我們將在接下來(lái)的部分中看到更多的應(yīng)用，甚至在我們的身邊就有許多的應(yīng)用。

既然我們已經(jīng)掌握了主題，那么讓我們來(lái)深入研究一下如何構(gòu)建圖像分類模型，它的先決條件是什么，以及如何在Python中實(shí)現(xiàn)它。

二、設(shè)置圖像數(shù)據(jù)結(jié)構(gòu)

我們的數(shù)據(jù)集需要特殊的結(jié)構(gòu)來(lái)解決圖像分類問(wèn)題。我們將在幾個(gè)部分中看到這一點(diǎn)，但在往下走之前，請(qǐng)記住這些建議。

你應(yīng)該建立兩個(gè)文件夾，一個(gè)放訓(xùn)練集，另一個(gè)放測(cè)試集。訓(xùn)練集的文件夾里放一個(gè)csv文件和一個(gè)圖像文件夾：

csv文件存儲(chǔ)所有訓(xùn)練圖片的圖片名和它們對(duì)應(yīng)的真實(shí)標(biāo)簽
圖像文件夾存儲(chǔ)所有的訓(xùn)練圖片

測(cè)試集文件夾中的csv文件和訓(xùn)練集文件夾中的csv文件不同，測(cè)試集文件夾中的csv文件只包含測(cè)試圖像的圖片名，不包括它們的真實(shí)標(biāo)簽。因?yàn)槲覀円ㄟ^(guò)訓(xùn)練訓(xùn)練集中的圖片來(lái)對(duì)測(cè)試集中的圖片進(jìn)行預(yù)測(cè)。

如果你的數(shù)據(jù)集不是這樣的格式，你需要進(jìn)行轉(zhuǎn)換，否則的話預(yù)測(cè)結(jié)果可能有錯(cuò)誤。

三、分解模型搭建的過(guò)程

在我們研究Python代碼之前，讓我們先理解圖像分類模型通常是如何設(shè)計(jì)的。可以將過(guò)程分為4個(gè)部分。每個(gè)步驟需要一定時(shí)間來(lái)執(zhí)行：

第一步：加載和預(yù)處理數(shù)據(jù)——30%時(shí)間

第二步：定義模型架構(gòu)——10%時(shí)間

第三步：訓(xùn)練模型——50%時(shí)間

第四步：評(píng)價(jià)模型表現(xiàn)——10%時(shí)間

接下來(lái)我會(huì)更詳細(xì)地解釋一下上面的每一個(gè)步驟。這一部分非常重要，因?yàn)椴⒎撬心Ｐ投际窃诘谝徊綐?gòu)建的。你需要在每次迭代之后返回，對(duì)步驟進(jìn)行微調(diào)，然后再次運(yùn)行它。對(duì)基礎(chǔ)概念有一個(gè)扎實(shí)的理解，對(duì)于加速整個(gè)過(guò)程將有很大的幫助。

第一步：加載和預(yù)處理數(shù)據(jù)

就深度學(xué)習(xí)模型而言，數(shù)據(jù)非常關(guān)鍵。如果訓(xùn)練集中有大量的圖像，你的圖像分類模型也會(huì)有更大的可能實(shí)現(xiàn)更好的分類效果。此外，根據(jù)所用的框架不同，數(shù)據(jù)的維度不同，效果也不一樣。

因此，對(duì)于關(guān)鍵的數(shù)據(jù)預(yù)處理這一步，我推薦大家瀏覽下面這篇文章，來(lái)對(duì)圖像數(shù)據(jù)的預(yù)處理有一個(gè)更好的理解：

Basics of Image Processing in Pythonhttps://www.analyticsvidhya.com/blog/2014/12/image-processing-python-basics/）

但我們還沒(méi)完全到數(shù)據(jù)預(yù)處理這一步，為了了解我們的數(shù)據(jù)在新的之前沒(méi)見(jiàn)過(guò)的數(shù)據(jù)集中的表現(xiàn)（在預(yù)測(cè)測(cè)試集之前），我們需要先從訓(xùn)練集中劃分出一部分為驗(yàn)證集。

簡(jiǎn)而言之，我們?cè)谟?xùn)練集上訓(xùn)練模型然后在驗(yàn)證集上進(jìn)行驗(yàn)證。如果我們對(duì)在驗(yàn)證集上的結(jié)果滿意，就可以用來(lái)預(yù)測(cè)測(cè)試集的數(shù)據(jù)。

所需時(shí)間：大約2-3分鐘。

第二步：建立模型框架

這是深度學(xué)習(xí)模型建立過(guò)程中的另一個(gè)重要的步驟。在這個(gè)過(guò)程中，需要思考這樣幾個(gè)問(wèn)題：

需要多少個(gè)卷積層？
每一層的激活函數(shù)是什么？
每一層有多少隱藏單元？

還有其他一些問(wèn)題。但這些基本上是模型的超參數(shù)，它們對(duì)預(yù)測(cè)結(jié)果起著重要作用。

如何確定這些超參的值？好問(wèn)題！一個(gè)方法是根據(jù)現(xiàn)有的研究選擇這些值。另一個(gè)想法是不斷嘗試這些值，直到找到最好的，但這可能是一個(gè)非常耗時(shí)的過(guò)程。

所需時(shí)間：大約1分鐘定義這個(gè)框架。

第三步：訓(xùn)練模型

對(duì)模型訓(xùn)練，我們需要：

訓(xùn)練圖像和它們的真實(shí)標(biāo)簽。
驗(yàn)證集圖像和其真實(shí)標(biāo)簽。（我們只用驗(yàn)證集的標(biāo)簽進(jìn)行模型評(píng)估，不用于訓(xùn)練）

我們還需要定義迭代次數(shù)（epoch）。開(kāi)始階段，我們訓(xùn)練10次（你可以再更改）。

所需時(shí)間：大概5分鐘，來(lái)進(jìn)行模型的結(jié)構(gòu)的學(xué)習(xí)。

第四步：評(píng)估模型表現(xiàn)

最后，我們加載測(cè)試數(shù)據(jù)（圖像）并完成預(yù)處理步驟。然后我們使用訓(xùn)練模型預(yù)測(cè)這些圖像的類別。

所需時(shí)間：1分鐘

四、設(shè)置問(wèn)題定義并認(rèn)識(shí)數(shù)據(jù)

我們將嘗試一個(gè)非常酷的挑戰(zhàn)來(lái)理解圖像分類。我們需要建立一個(gè)模型，可以對(duì)給定的圖像進(jìn)行分類（襯衫、褲子、鞋子、襪子等）。這實(shí)際上是許多電子商務(wù)零售商面臨的一個(gè)問(wèn)題，這使得它成為一個(gè)更有趣的計(jì)算機(jī)視覺(jué)問(wèn)題。

這個(gè)挑戰(zhàn)被稱為“識(shí)別服裝”，是我們?cè)跀?shù)據(jù)黑客平臺(tái)上遇到的實(shí)踐問(wèn)題之一。你必須注冊(cè)并從上面的鏈接下載數(shù)據(jù)集。

“識(shí)別服裝”比賽鏈接：https://datahack.analyticsvidhya.com/contest/practice-problem-identify-the-apparels/）數(shù)據(jù)黑客平臺(tái)：https://datahack.analyticsvidhya.com/

一共有70000圖像（28x28維），其中60000來(lái)自訓(xùn)練集，10000來(lái)自測(cè)試集。訓(xùn)練圖像已經(jīng)預(yù)先被打上了衣服類別的標(biāo)簽，一共10個(gè)類別。測(cè)試集沒(méi)有標(biāo)簽。這個(gè)比賽是對(duì)測(cè)試集的圖像進(jìn)行識(shí)別。

我們將在Google Colab搭建模型，因?yàn)樗峁┟赓M(fèi)的GPU。

Google Colab：https://colab.research.google.com/

五、建立圖像分類模型的步驟

接下來(lái)是時(shí)候展示你的Python技巧啦，最終我們到了執(zhí)行階段！

主要步驟如下：

設(shè)置Google Colab
導(dǎo)入庫(kù)
導(dǎo)入數(shù)據(jù)預(yù)處理數(shù)據(jù)（3分鐘）
設(shè)置驗(yàn)證集
定義模型結(jié)構(gòu)（1分鐘）
訓(xùn)練模型（5分鐘）
預(yù)測(cè)（1分鐘）

下面詳細(xì)介紹以上步驟。

第1步：設(shè)置Google Colab

因?yàn)槲覀儗腉oogle Drive link導(dǎo)入數(shù)據(jù)，我們需要在Google Colab notebook上增加幾條代碼。新建Python3 notebook，寫(xiě)下下面的代碼：

!pip install PyDrive

這一步是安裝PyDrive。下面導(dǎo)入需要的庫(kù)：

import os
from pydrive.auth import GoogleAuth
from pydrive.drive import GoogleDrive
from google.colab import auth
from oauth2client.client import GoogleCredentials

下面創(chuàng)建drive變量訪問(wèn)Google Drive：

auth.authenticate_user()
gauth=GoogleAuth()
gauth.credentials=GoogleCredentials.get_application_default()
drive=GoogleDrive(gauth)

需要用Google Drive上傳文件的ID來(lái)下載數(shù)據(jù)集：

download=drive.CreateFile({'id': '1BZOv422XJvxFUnGh-0xVeSvgFgqVY45q'})

把id的部分替換為你的文件夾的ID。接下來(lái)將下載文件夾并解壓。

download.GetContentFile('train_LbELtWX.zip')
!unzip train_LbELtWX.zip

每次啟動(dòng)notebook都需要運(yùn)行以上代碼。

第2步：導(dǎo)入模型所需的庫(kù)。

import keras
from keras.models import Sequential
from keras.layers import Dense, Dropout, Flatten
from keras.layers import Conv2D, MaxPooling2D
from keras.utils import to_categorical
from keras.preprocessing import image
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from keras.utils import to_categorical
from tqdm import tqdm

第3步：接下來(lái)是數(shù)據(jù)導(dǎo)入和數(shù)據(jù)預(yù)處理。

train=pd.read_csv('train.csv')

接下來(lái)，我們將讀入訓(xùn)練集，存儲(chǔ)為list，最終轉(zhuǎn)換為numpy array。

# We have grayscale images, so while loading the images we will keep grayscale=True, if you have RGB images, you should set grayscale as False
train_image=[]
for i in tqdm(range(train.shape[0])):
 img=image.load_img('train/'+train['id'][i].astype('str')+'.png', target_size=(28,28,1), grayscale=True)
 img=image.img_to_array(img)
 img=img/255
 train_image.append(img)
X=np.array(train_image)

這是一個(gè)多分類問(wèn)題（10個(gè)類別），需要對(duì)標(biāo)簽變量進(jìn)行one-hot編碼。

y=train['label'].values
y=to_categorical(y)

第4步：從訓(xùn)練集中劃分驗(yàn)證集

X_train, X_test, y_train, y_test=train_test_split(X, y, random_state=42, test_size=0.2)

第5步：定義模型結(jié)構(gòu)

我們將建立一個(gè)簡(jiǎn)單的結(jié)構(gòu)，有2個(gè)卷積層，一個(gè)隱藏層一個(gè)輸出層。

model=Sequential()
model.add(Conv2D(32, kernel_size=(3, 3),activation='relu',input_shape=(28,28,1)))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(10, activation='softmax'))

接下來(lái)編譯模型。

model.compile(loss='categorical_crossentropy',optimizer='Adam',metrics=['accuracy'])

第6步：訓(xùn)練模型

在這一步，我們將訓(xùn)練訓(xùn)練集的數(shù)據(jù)，在驗(yàn)證集上進(jìn)行驗(yàn)證。

model.fit(X_train, y_train, epochs=10, validation_data=(X_test, y_test))

第7步：預(yù)測(cè)！

我們將首先遵循處理訓(xùn)練數(shù)據(jù)集時(shí)執(zhí)行的步驟。加載測(cè)試圖像并預(yù)測(cè)分類結(jié)果，用model.predict_classes()函數(shù)預(yù)測(cè)它們的類。

download=drive.CreateFile({'id': '1KuyWGFEpj7Fr2DgBsW8qsWvjqEzfoJBY'})
download.GetContentFile('test_ScVgIM0.zip')
!unzip test_ScVgIM0.zip

首先導(dǎo)入測(cè)試集：

test=pd.read_csv('test.csv')

接下來(lái)，讀于數(shù)據(jù)并存儲(chǔ)測(cè)試集：

test_image=[]
for i in tqdm(range(test.shape[0])):
 img=image.load_img('test/'+test['id'][i].astype('str')+'.png', target_size=(28,28,1), grayscale=True)
 img=image.img_to_array(img)
 img=img/255
 test_image.append(img)
test=np.array(test_image)
# making predictions
prediction=model.predict_classes(test)

還需要新建一個(gè)提交文件夾，用來(lái)上傳DataHack平臺(tái)。

download=drive.CreateFile({'id': '1z4QXy7WravpSj-S4Cs9Fk8ZNaX-qh5HF'})
download.GetContentFile('sample_submission_I5njJSF.csv')
# creating submission file
sample=pd.read_csv('sample_submission_I5njJSF.csv')
sample['label']=prediction
sample.to_csv('sample_cnn.csv', header=True, index=False)

下載sample_cnn.csv文件并上傳到比賽的頁(yè)面，生成你的排名。這提供了一個(gè)幫助你開(kāi)始解決圖像分類問(wèn)題的基礎(chǔ)方案。

你可以嘗試調(diào)整超參數(shù)和正則化來(lái)提高模型效果。也可以通過(guò)閱讀下面這篇文章來(lái)理解調(diào)參的細(xì)節(jié)。

A Comprehensive Tutorial to learn Convolutional Neural Networks from Scratchhttps://www.analyticsvidhya.com/blog/2018/12/guide-convolutional-neural-network-cnn/

六、開(kāi)啟一個(gè)新的挑戰(zhàn)

讓我們嘗試在其他的數(shù)據(jù)集進(jìn)行測(cè)試。這部分，我們將解決Identify the Digits上的這個(gè)問(wèn)題。

Identify the Digits比賽鏈接：https://datahack.analyticsvidhya.com/contest/practice-problem-identify-the-digits/

在你往下看之前，請(qǐng)嘗試自己來(lái)解決這個(gè)挑戰(zhàn)。你已經(jīng)收獲了解決問(wèn)題的工具，只需要使用它們。當(dāng)你遇到困難的時(shí)候可以再回來(lái)檢查你的過(guò)程和結(jié)果。

在這個(gè)挑戰(zhàn)中，我們需要識(shí)別給定圖像中的數(shù)字。一共有70000張圖片，49000張訓(xùn)練圖像有標(biāo)簽，剩下的21000張為測(cè)試圖片無(wú)標(biāo)簽。

準(zhǔn)備好了嗎？好！打開(kāi)新的Python3 notebook，運(yùn)行下面的代碼：

# Setting up Colab
!pip install PyDrive
import os
from pydrive.auth import GoogleAuth
from pydrive.drive import GoogleDrive
from google.colab import auth
from oauth2client.client import GoogleCredentials
auth.authenticate_user()
gauth=GoogleAuth()
gauth.credentials=GoogleCredentials.get_application_default()
drive=GoogleDrive(gauth)
# Replace the id and filename in the below codes
download=drive.CreateFile({'id': '1ZCzHDAfwgLdQke_GNnHp_4OheRRtNPs-'})
download.GetContentFile('Train_UQcUa52.zip')
!unzip Train_UQcUa52.zip
# Importing libraries
import keras
from keras.models import Sequential
from keras.layers import Dense, Dropout, Flatten
from keras.layers import Conv2D, MaxPooling2D
from keras.utils import to_categorical
from keras.preprocessing import image
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from keras.utils import to_categorical
from tqdm import tqdm
train=pd.read_csv('train.csv')
# Reading the training images
train_image=[]
for i in tqdm(range(train.shape[0])):
 img=image.load_img('Images/train/'+train['filename'][i], target_size=(28,28,1), grayscale=True)
 img=image.img_to_array(img)
 img=img/255
 train_image.append(img)
X=np.array(train_image)
# Creating the target variable
y=train['label'].values
y=to_categorical(y)
# Creating validation set
X_train, X_test, y_train, y_test=train_test_split(X, y, random_state=42, test_size=0.2)
# Define the model structure
model=Sequential()
model.add(Conv2D(32, kernel_size=(3, 3),activation='relu',input_shape=(28,28,1)))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(10, activation='softmax'))
# Compile the model
model.compile(loss='categorical_crossentropy',optimizer='Adam',metrics=['accuracy'])
# Training the model
model.fit(X_train, y_train, epochs=10, validation_data=(X_test, y_test))
download=drive.CreateFile({'id': '1zHJR6yiI06ao-UAh_LXZQRIOzBO3sNDq'})
download.GetContentFile('Test_fCbTej3.csv')
test_file=pd.read_csv('Test_fCbTej3.csv')
test_image=[]
for i in tqdm(range(test_file.shape[0])):
 img=image.load_img('Images/test/'+test_file['filename'][i], target_size=(28,28,1), grayscale=True)
 img=image.img_to_array(img)
 img=img/255
 test_image.append(img)
test=np.array(test_image)
prediction=model.predict_classes(test)
download=drive.CreateFile({'id': '1nRz5bD7ReGrdinpdFcHVIEyjqtPGPyHx'})
download.GetContentFile('Sample_Submission_lxuyBuB.csv')
sample=pd.read_csv('Sample_Submission_lxuyBuB.csv')
sample['filename']=test_file['filename']
sample['label']=prediction
sample.to_csv('sample.csv', header=True, index=False)

在練習(xí)題頁(yè)面上提交這個(gè)文件，你會(huì)得到一個(gè)相當(dāng)不錯(cuò)的準(zhǔn)確率。這是一個(gè)好的開(kāi)端，但總有改進(jìn)的余地。繼續(xù)肝，看看你是否可以改進(jìn)我們的基本模型。

尾聲

誰(shuí)說(shuō)深度學(xué)習(xí)模型需要數(shù)小時(shí)或數(shù)天的訓(xùn)練。我的目的是展示你可以在雙倍快速的時(shí)間內(nèi)想出一個(gè)相當(dāng)不錯(cuò)的深度學(xué)習(xí)模式。你應(yīng)該接受類似的挑戰(zhàn)，并嘗試從你的終端編碼它們。什么都比不上通過(guò)實(shí)踐來(lái)學(xué)習(xí)！

頂尖的數(shù)據(jù)科學(xué)家和分析師甚至在黑客比賽開(kāi)始之前就已經(jīng)準(zhǔn)備好了這些代碼。他們使用這些代碼在深入詳細(xì)分析之前提前提交。先給出基準(zhǔn)解決方案，然后使用不同的技術(shù)改進(jìn)模型。

你覺(jué)得這篇文章有用嗎？請(qǐng)?jiān)谙旅娴脑u(píng)論部分分享你的反饋。

原文標(biāo)題：

Build your First Image Classification Model in just 10 Minutes!

原文鏈接：

https://www.analyticsvidhya.com/blog/2019/01/build-image-classification-model-10-minutes/

編輯：黃繼彥

譯者簡(jiǎn)介

王威力，求職狗，在香港科技大學(xué)學(xué)習(xí)大數(shù)據(jù)科技。感覺(jué)數(shù)據(jù)科學(xué)很有難度，也很有意思，還在學(xué)（tu）習(xí)（tou）中。一個(gè)人肝不動(dòng)的文獻(xiàn)，來(lái)數(shù)據(jù)派follow大佬一起肝。

— 完 —

關(guān)注清華-青島數(shù)據(jù)科學(xué)研究院官方微信公眾平臺(tái)“THU數(shù)據(jù)派”及姊妹號(hào)“數(shù)據(jù)派THU”獲取更多講座福利及優(yōu)質(zhì)內(nèi)容。

Yii2數(shù)據(jù)庫(kù)讀寫(xiě)分離使用流程分享】

大家好，今天我要來(lái)分享一下我在使用Yii2框架進(jìn)行數(shù)據(jù)庫(kù)的讀寫(xiě)分離時(shí)的一些經(jīng)驗(yàn)和心得體會(huì)。希望能幫助到大家。

我們要明確什么是讀寫(xiě)分離。簡(jiǎn)單來(lái)說(shuō)，就是將數(shù)據(jù)庫(kù)的讀操作和寫(xiě)操作分開(kāi)處理，以提高系統(tǒng)的并發(fā)能力和性能。在Yii2中，我們可以通過(guò)配置實(shí)現(xiàn)這一功能。

第一步：安裝Yii2并創(chuàng)建新的項(xiàng)目。如果你還沒(méi)有安裝Yii2框架，可以訪問(wèn)官方網(wǎng)站下載并按照指引進(jìn)行安裝。創(chuàng)建新項(xiàng)目后，進(jìn)入項(xiàng)目目錄。

第二步：配置數(shù)據(jù)庫(kù)連接。打開(kāi)配置文件`config/web.php`，在`components`部分添加以下代碼：

```

紹

這是一款現(xiàn)代化、快速、高效、便捷、靈活、方便擴(kuò)展的應(yīng)用開(kāi)發(fā)骨架。基于Yii2高級(jí)框架的快速開(kāi)發(fā)應(yīng)用引擎。它是一個(gè)重量級(jí)全棲框架，為二次開(kāi)發(fā)而生！

Github

https://github.com/jianyan74/rageframe2

在線咨詢

上一篇：java遍歷List的三種方式比較用數(shù)據(jù)說(shuō)明為什么
下一篇：記憶與實(shí)錄：恢復(fù)高考的拍板過(guò)程

您的項(xiàng)目需求

*請(qǐng)認(rèn)真填寫(xiě)需求信息，我們會(huì)在24小時(shí)內(nèi)與您取得聯(lián)系。

整合營(yíng)銷服務(wù)商

10分鐘搭建你的第一個(gè)圖像識(shí)別模型（附步驟、代碼）

紹

Github

您的項(xiàng)目需求