其实对于神经网络当前的应用场景而言，识别手写数字已经不足为奇。早些时候，Google公开了一个云API，让用户能够检测一幅图像里面的内容。本节提供一个例子，让读者能够自制一个图像识别的在线应用。
【例9.4】搭建一个Shiny应用，实现物体识别。
（1）加载依赖的包和数据
install.packages（＂shiny＂，repos=＂https：//cran.rstudio.com＂）
install.packages（＂imager＂，repos=＂https：//cran.rstudio.com＂）
现在已经配置好了mxnet、shiny和imager三个R包，下一步则是让Shiny直接下载并运行准备好的代码。
shiny：：runGitHub（＂thirdwing/mxnet_shiny＂）
第一次运行这个命令会花上几分钟时间下载预先训练好的模型。训练的模型叫Inception-BatchNorm Network，如果读者对它感兴趣，可以阅读相关文献。准备就绪之后，浏览器中会出现一个网页应用，就能用本地或在线图片来测试。
（2）导入预训练过的模型文件
＞model＜-mx.model.load（＂Inception/Inception_BN＂，iteration=39）
＞synsets＜-readLines（＂Inception/synset.txt＂）
＞mean.img＜-as.array（mx.nd.load（＂Inception/mean_224.nd＂）[[＂mean_img＂]]）
（3）图像预处理
使用一个自定义函数对图像进行预处理，这个步骤对于神经网络模型而言至关重要。
preproc.image＜-function（im，mean.image）{
#crop the image
shape＜-dim（im）
short.edge＜-min（shape[1：2]）
yy＜-floor（（shape[1]-short.edge）/2）+1
yend＜-yy+short.edge-1
xx＜-floor（（shape[2]-short.edge）/2）+1(www.xing528.com)
xend＜-xx+short.edge-1
croped＜-im[yy：yend，xx：xend，，]
#resize to 224 x 224，needed by input of the model.
resized＜-resize（croped，224，224）
#convert to array（x，y，channel）
arr＜-as.array（resized）
dim（arr）=c（224，224，3）
#substract the mean
normed＜-arr-mean.img
#Reshape to format needed bymxnet（width，height，channel，num）
dim（normed）＜-c（224，224，3，1）
return（normed）
}
（4）模型部署
读入图像，预处理与预测代码如下：
im＜-load.image（src）
normed＜-preproc.image（im，mean.img）
prob＜-predict（model，X=normed）
max.idx＜-order（prob[，1]，decreasing=TRUE）[1：5]
result＜-synsets[max.idx]
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
