首先，实现的步骤，首先在微信applet中设计一个简单的界面，开始映射到python服务器。有关具体界面，请参阅微信小程序设计指南。以下主要讨论后台服务器交互和处理点。
1.使用js将图像上传到python程序。在调用wx.requset（）函数之后，它将向后端服务器发起对数据的发布请求。此时，applet将以数据的形式将数据中的数据提交给对应于url的服务器。
Wx.request（{
Url:\'https://python后台服务器URL\'，
数据: {
..
}，
方法:\'POST\'，
标头: {
\'content-type\':\'application/x-www-form-urlencoded\'，
\'chartset\':\'utf-8\'
}
该代码具体说明：
Url: url参数是数据提交的地址。微信小程序需要支持连接到后台的服务器的https，并且需要具有可以解析的https域名。
数据:数据参数是要提交的数据。数据需要转换为json格式。使用JSON的stringify函数，您可以看到数据的数据类型是JavaScript的对象类型，也称为键值对。
方法：是数据提交的请求方法。默认为发布请求模式。后台将在处理请求时判断请求模式。
标题：是数据的头文件。您需要将字符类型设置为utf-8，即\'charset\':\'utf-8\'，以防止在传输中文数据时出现乱码。
2. python服务器存储图片。双喜鸟在接收到微信结束图像发送请求之后，图像被重命名并在本地存储以供后续处理。
Creat_folder（os.path.join（app.config [\'UPLOADS_FOLDER\']，hash_openid））
Pic_dir=os.path.join（app.config [\'UPLOADS_FOLDER\']，hash_openid，fn）
New.save（pic_dir）
Folder=photosSet.url（hash_openid）Img_dir=文件夹+\'/\'+ fn
3.智能识别图片对象。这一步是智能垃圾分类的神奇核心。原理是人工智能将根据标记的大量图片识别新图片所属的分类标签。好奇的读者可能会问，我还没有深入学习？我不会训练模型，我该怎么办？
Python嘲笑了很多。 “没有什么，蝙蝠和其他巨头长期将这些核心人工智能功能封装到易于使用的界面中！为了快速发展，我们只能站在巨人的肩膀上。”