# faiss

**Repository Path**: chewlll/faiss

## Basic Information

- **Project Name**: faiss
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-11-01
- **Last Updated**: 2025-11-03

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

集成学习猫狗识别项目 README

项目概述
本项目基于集成学习算法，结合 Faiss 构建 KNN 识别模块，并通过 Gradio 部署为网页应用，实现猫狗图像的分类识别。项目分为训练和推理两个核心部分，旨在展示集成学习在图像分类任务中的应用及模型部署流程。

环境依赖
Python 3.8+

主要库：
faiss-cpu（仅使用 CPU 版本）
scikit-learn（集成学习算法支持）
gradio（模型网页部署）
xgboost、lightgbm 等集成学习框架
numpy、pandas（数据处理）
matplotlib（可选，用于可视化）

可通过以下命令安装依赖：
bash
pip install faiss-cpu scikit-learn gradio xgboost lightgbm numpy pandas matplotlib

项目结构
plaintext
cat-dog-ensemble/
├── train_ensemble.py  # 集成学习模型训练与保存脚本
├── ensemble_webapp.py # Gradio网页应用部署脚本
├── models/            # 训练好的集成学习模型保存目录
├── README.md          # 项目说明文档

功能说明
1. 集成学习模型训练（train_ensemble.py）
该脚本实现了多种集成学习算法（逻辑回归、随机森林、SVM、XGBoost、LightGBM、Bagging、Boosting、Stacking 等）的训练与评估，最终保存准确率最高的模型。
核心特点：
仅使用Faiss flat 索引（不依赖 VGG 等预训练模型）
仅使用CPU进行计算，无需 GPU
输出各模型的训练时间、预测时间及准确率，便于对比选择
运行方式：
bash
python train_ensemble.py
执行后会在models/目录下生成训练好的最优模型文件。

2. 网页应用推理（ensemble_webapp.py）
该脚本通过 Gradio 将训练好的集成学习模型部署为网页应用，支持用户上传猫狗图像并实时获取分类结果。
运行方式：
bash
python ensemble_webapp.py
执行后会在终端输出网页应用的访问链接，点击链接即可打开应用界面，上传图片后可查看模型的猫狗分类预测结果。

注意事项
训练耗时：集成学习模型训练过程较长（约 2 小时以上），建议在本地电脑完成训练任务。
版本兼容性：Gradio 近期版本更新频繁，若出现兼容性问题，可指定版本安装（如pip install gradio==3.28.3）。
Git 管理：请创建全新的 Git 项目对代码和模型进行版本管理，确保项目可追溯。

推理网页应用示例
上传一张猫的图片，网页将显示 “预测结果：猫” 及模型置信度；上传狗的图片则显示 “预测结果：狗”。

学级：2023
学号：202352320201
班级：2