概述
针对目标图像（具有统一特征的图像），进行基于深度学习技术的模型训练，通过调优模型结构与参数，得到对于指定图像具有提取特征信息的模型 M。将库中所有图像通过 M 提取出特征信息，并将特征信息存储在ceph 中，所有特征信息提取完成后，创建多叉树索引。当用户上传图片查找时，用 M 提取图片的特征信息，将提取的特征信息转换为索引树叶节点相同数据结构，用该数据在索引中查找到相似度符合要求的图片。
基础概念
深度学习技术的模型为一个结构复杂的层叠神经网络，通过各层的计算（卷积计算，非线性激活层，池化层等），提取得到图片的关键特征信息。对于不同的任务，需要用任务对应的图像，使用深度学习框架作为工具，训练模型，从而得到能够执行特定任务功能的模型。常用的深度学习框架有tensorflow，mxnet等。
卷积层 ：利用卷积运算对原始图像或上一层的特征进行变换的层。一般需要采用多个卷积核多滑几次，但也不是越多越好。过多可能造成梯度消失。(问题又来了，什么是梯度？梯度是模型输出与输入结果的差异，每一层参数调整通过这个差值传播完成。网络过深，该差值会被逐层地指数级缩小，接近于 0 时，参数就没有变化了。)
池化层：用来减小图片分辨率，降低计算量和参数数量。具体说就是将特征按通道分开，得到矩阵，对矩阵分割，每个分割块取平均值，将平均值组合，然后堆叠输出。
全连接层：将特征向量进行变换。使用若干维数相同的向量与输入向量做内积操作，然后将结果拼接输出。
非线性激活层：线性函数的复合依然是线性，若无非线性变换，多层变换效果不会被保留。需要进行非线性运算才可保留。常用线性整流函数 ReLU ,这个函数听起来绕口，实际上就是 x > 0 时 y = x, x < 0 时，y = 0。
归一化层：完成多类线性分类器中归一化指数函数的计算。一般为最后一层，以一个长度和类别个数相等的特征向量作为输入，然后输出图像属各个类别的概率。
过拟合：模型过于贴近训练集。
欠拟合：模型能力太差，搞不定训练集也搞不定测试集。
基本流程
一、环境配置
首先当然是搭建环境，这个里头坑坑洼洼不是一般的多， 参考官方文档，多踩几次就好了。
建议采用 Ubuntu 系统，资源比较多。
二、模型训练
1、图片预处理
mxnet 要求处理的图像数据具有共同的规范，如何尺寸、通道数等，因此文件服务器中的图片不能直接作为训练数据，需要进行处理，以某种 dataiter 的形式呈现。
2、创建训练集与测试集
ImageRecordIter是一种特殊的DataIter，可以直接接受上文所说的数据集转化成 4 维NDArray。
3、定义神经网络
一个深度神经网络通常由多个顺序连接的层组成，每一层以上一层提取出的特征输入，对其进行特定变换，进过多次变换后，可将原始图像提取为高层次的抽象（具体是什么特征，谁也不知道）。一般神经网络可分为卷积层（提取边沿特征等）、非线性激活层（完成非线性变换），池化层，全链接层等。 可参考维基神经网络。
下面是复制过来的一个神经网络，至于为何要这样配置的原因，也不清楚，还需要进一步的学习。
4、模型训练
算法会先初始化一个解，在这个解的基础上，确定一个搜索方向和一个移动步长（各种法算确定方向和步长的方法不同，也就使各种算法适用于解决不同的问题），使初始解根据这个方向和步长移动后，能使预测误差下降。 然后将它更新为新的解，再继续寻找下一步的移动方向的步长，这样不断的迭代下去，最终就能找到一个解，使得误差在可接受的范围内。在寻解过程中，步长太大，就会搜索得不仔细，可能跨过了优秀的解，而步长太小，又会使寻解过程进行得太慢。学习率对原步长作调整，如果学习率lr = 0.1,那么梯度下降法中每次调整的步长就是0.1*梯度。
一般来说，按照以上步骤完成训练的模型，肯定是没法工作的， 蛋疼。
因为非常容易过拟合(太迁就训练集数据)或者欠拟合(模型连训练集都搞不定)，这个就要考验一个人的水平了。因为机器学习的关键就是特征工程，数据是有的，就看怎么提取到合适的特征来进行识别了。
参考：
https://mxnet.incubator.apache.org/api/python/index.html
https://baijiahao.baidu.com/s?id=1584288173097662506&wfr=spider&for=pc
https://baike.baidu.com/item/%E4%BA%BA%E5%B7%A5%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C/382460
https://blog.csdn.net/storMouse/article/details/56115308?locationNum=4&fps=1