本发明属于计算机视觉领域，涉及一种基于深度学习的图像分类方法。
背景技术：
从1965年开始，人们开始研究图像处理和识别。随着科技进步，深度学习成为了图像分类的主流方法。AlexNet模型就是一种基于深度学习的图像分类模型。
AlexNet是2012年ImageNet竞赛冠军获得者Alex Krizhevsky 设计的，它主要包括5个卷积层，3个全连接层。
AlexNet在输入时对224*224*3的图像进行预处理，将其处理为 227*227*3的图像。
第一个卷积层中，AlexNet采用96个11*11*3的卷积核，在步长为4的前提下对227*227*3的图像进行了滤波。最初的输入神经元个数为224*224*3＝150528个，由于其步长为4，卷积核大小为11*11*3，故而本层的特征图的大小为：
(227-11)/4+1＝55
也就是96个55*55大小的特征图，其神经元个数为55*55*96＝290400。得到卷积数据后，对其进行一次Relu，并对其进行池化(map大小减半)，之后将其作为第二层的输入。
第二个卷积层中，AlexNet采用256个5*5的过滤器对96*27*27 个特征图进行进一步特征提取，但是此时过滤器是对96个特征图中的某几个特征图中相应的区域乘以相应的权重，之后再加上偏置之后所得到的区域进行卷积，经过这样的处理，会得到256个新的特征图，特征图的大小为：
(27+2*2-5)/1+1＝27
也就是256个27*27大小的特征图，其神经元个数为
256*27*27＝186624。之后对其进行Relu操作，在对其进行降采样处理(特征图的大小减半)，得到256个13*13大小的特征图。
第三个卷积层中，AlexNet采用384个3*3大小的过滤器对 256*13*13个特征图进一步提取特征，经过处理，会得到384个新的特征图，特征图的大小为：
(13+2*1-3)/1+1＝13
即384个13*13的新特征图，其神经元个数为384*13*13＝64896。之后对其进行Relu操作，在第三个卷积层中，不对其使用降采样处理。
第四个卷积层中，AlexNet采用384个3*3大小的过滤器对 384*13*13个特征图进一步提取特征，经过处理，会得到384个新的特征图，特征图的大小为：
(13+2*1-3)/1+1＝13
即384个13*13的新特征图，其神经元个数为384*13*13＝64896。之后对其进行Relu操作，在第四个卷积层中，同样不对其进行降采样处理。
第五个卷积层中，AlexNet采用256个3*3大小的过滤器对 384*13*13个特征图进一步提取特征，经过处理，会得到256个新的特征图，特征图的大小为：
(13+2*1-3)/1+1＝13
即256个13*13的新特征图，其神经元个数为256*13*13＝43264。之后对其进行Relu操作，并对其进行降采样处理(特征图的大小减半)，得到256个6*6大小的特征图。
第一个全链接层中，AlexNet网络在这里使用4096个神经元，对于神经元中的一个点，它是由256个特征图中的某些特征图卷积所得到的特征点乘以相应的权重，再加上一个偏置得到的。之后进行一个dropout随机从4096个节点中丢掉一些节点信息，得到新的4096 个神经元。
第二个全链接层中，方法与第一个全链接层相似。
第三个全链接层中，采用的是1000个神经元(竞赛中是1000个类)，在此过程中是对第二个全链接层中的4096个神经元进行全链接，之后通过高斯过滤器，得到1000个float的值，也就是最终的预测可能性。
根据以上原理，可以根据以下步骤对图片进行预测：
1.数据准备:准备好训练集，测试集和验证集。
2.图片预处理:图片大小归一化→生成caffe所支持的数据库→生成均值文件；
3.模型训练；
4.模型测试
技术实现要素：
本发明的目的是针对现有技术的不足，在使用深度学习工具对图像进行分类时，通常是将所有的图片输入进去训练出一个模型，之后用这个模型对图片进行预测。在本发明中，提出将图片分组训练，并在一次训练的基础上对图片进行二次训练，进而提高预测精度。
本发明解决其技术问题采用的技术方案包括如下步骤：
S1、将图片分为n组，将n组图片集分别作为样本输入到AlexNet 模型中进行训练，得到图像分类模型Ⅰ；
S2、将待测图像样本输入到已经完成训练的图像分类模型Ⅰ中进行图像分类；
S3、将不同待测图像对应的结果集归入不同的文档中，将精度较高的图像结果集重新组成图像样本输入到AlexNet模型中进行训练，得到图像分类模型Ⅱ；
S4、将所对应的待测图像样本输入到其对应的图像分类模型Ⅱ中进行图像分类。
所述步骤S1具体包括：
S11、将N类图片每M类分为一组，组成n＝ceil(N/M)组图片集；
S12、对每一组图片集分别进行标记(标记从0开始)；
S13、对图片进行预处理；
S14、将多组图片集依次输入到AlexNet模型中进行训练，每组会得到对应的判断结果错误率，修改模型中的参数，直至错误率收敛，则代表得到一个较好的图像分类模型Ⅰ。
所述步骤S3具体包括：
S31、经过步骤S2后，每张待测图像样本都会对应5*n个预测结果，将同一张待测图像对应的预测结果归入同一个文档中，则m张待测图像会得到m个文档；
S32、将每一个文档中的结果均按照精度值从大到小排列，取前一半的结果集，并将该结果集(图像类的标签)对应的图像重新组成一个图像集，m张待测图像都会有对应的结果集；
S33、将得到的图像集作为样本集放入AlexNet模型中训练，得到图像分类模型Ⅱ。
所述步骤S4具体包括：
S41、通过步骤S3的训练，每张待测图像都会有其对应的训练模型Ⅱ。
S42、将待测图像放入其对对应的训练模型中进行预测，最终所得的结果便是其对应的二次训练的预测结果。
本发明有益效果如下：
本发明通过建立网络模型，在其一次训练的基础上，提出二次训练的方法，有效提高了分类精度。两次训练对比一次训练，精度平均提高30％。
附图说明
图1为本发明实施例的流程图；
图2是本发明中AlexNet模型运算结构框图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
本实施例中有1000类RGB图像，每张图像的大小为68*68。
结合本发明的步骤，具体过程如下：
S11、将1000类图像分为20组，每组50类图像；
S12、对每组的50类图像进行标记，这里我们只拿一组来做主要说明，则第一组的50类图像的标签为：0、1、2……49；
S13、图像大小为68*68，经过预处理将其处理为227*227的图片作为以后要用的训练样本；
S14、将训练样本按照5:1的比例分为训练集和测试集放入 AlexNet模型中进行训练，每次训练完毕之后都会得到loss值，修改网络中的参数，知道最终的loss值收敛(不变)，此时便得到了比较好的训练模型了。
S2、将38张待测图像放入20组模型中依次进行分类。
S31、放入模型中分类后，最终会得到20个文档，每个文档都会有38个预测结果；
S32、将待测图像对应的预测结果整理其对应的文档中，则20个文档经过整理后回到38个文档，每个文档中有100个预测标签，38 个文档对应38张待测图像的一次预测结果。拿其中一个文档来说，将该文档中的标签按照对应的精度值由大到小排列，取前50个标签，将这50个标签对应的图片类整合成一个图片集，则最终经过整合会得到38个图片集，每个图片集合都对应着一张待测图像。
S33、将图片集放入AlexNet模型中进行训练，得到38个模型
S41、每张待测图片都会得到一个对应的模型；
S42、38张图片一一对应38个模型，将待测图片放到对应的模型进行预测，最终得到的结果便是最终的分类结果。
以上所述便是本发明的具体实例及所运用的技术原理，若依本发明的构想所作的改变，其所产生的功能作用仍未超出说明书及附图所涵盖的精神时，仍应属本发明的保护范围。