<sup id="ai8i2"><center id="ai8i2"></center></sup>
<rt id="ai8i2"><small id="ai8i2"></small></rt>

人工智能能力提升指導總結

基礎知識

  1. 傳統圖像處理基本知識
    傳統圖像處理基本知識可以明白為什么卷積神經網絡是有效的。
  2. 數學統計基礎可視化學習

人工智能自學之路

直接參考這個路線: 人工智能能力構建和模型調參經驗分享

1. 人工智能、機器學習、深度學習的關系

博文鏈接

2. 數據集—需求

所有人工智能數據集總結

加拿大高級研究所CIFAR-X 系列數據集解析

  1. CIFAR-10
    CIFAR-10數據集包含10個不同類,的60,000張32x32彩色圖像,有50000個訓練圖和10000個測試圖。

  2. CIFAR-100
    Cifar-100數據集包含有100個類,的60000張32X32彩色圖片,每個分類包含500-1000,600張圖片500-100。

  3. Tiny Images: 該數據集由79,302,017個圖像組成,每個圖像為32x32彩色圖像(500G);

  4. ImageNet-ILSVRC(Large Scale Visual Recognition Challenge)
    AI研究員Fei-Fei Li,手工注釋了超過1400萬個圖像,并且在至少100萬個圖像中,還提供了邊界框。
    ImageNet包含超過20,000個具有典型類別的類別,88、3232和64*64。

  5. COCO 數據集
    COCO數據集是微軟團隊獲取的一個可以用來圖像識別、分割、標注,數據集.
    330K圖像、80個對象類別、每幅圖像有5個標簽、25萬個關鍵點

3. 深度學習平臺比較

https://en.wikipedia.org/wiki/Comparison_of_deep-learning_software

4. 訓練過程可視化

https://playground.tensorflow.org/
很好用:https://cs.stanford.edu/people/karpathy/convnetjs/
http://vision.stanford.edu/teaching/cs231n/index.html
http://neuralnetworksanddeeplearning.com/chap4.html
http://colah.github.io/posts/2014-03-NN-Manifolds-Topology/

5. 經典訓練案例

通過python 訓練 mnist:
TensorFlow: MNIST for beginners step by step:
Handwritten Digit Recognition using Convolutional Neural Networks in Python with Keras


訓練通用規則

1. 設置目標

基于CIFAR-10數據集,訓練一個簡單CNN網絡;保存訓練好的模型,測試;使用GPU訓練;

2. 準備數據集

所有人工智能數據集總結
加拿大高級研究所CIFAR-X 系列數據集解析

找數據,打標簽,數據增強,預處理,現在一般都直接用現有的數據;例如:CIFAR-10

3. 模型搭建

定義網絡—設置損失函數,優化迭代方法

常見模型
常見損失函數
常見優化方法

4. 訓練網絡與測試

實際的和標簽的差就是loss

這里看PPT:李宏毅一天搞懂深度學習

5. 保存模型

  • cfair10.pth(pytorch)
    多 GPU 訓練的方法是使用 torch.nn.DataParallel

  • model.ckpt:—>>>checkpoint
    xxx.ckpt.data-0000-of-00001 權重;
    xxx.ckpt.meta 圖結構;
    xxx.ckpt.index 權重節點索引)

  • model_deploy.prototxt (描述了網絡結構和數據集信息);

  • train_iter_100.caffemodel(權重)

6. 驗證模型

拿些沒有用過的圖,去用訓練好的模型。

7. 評價模型的方法

待上傳

例如輸出一個模糊矩陣

參考鏈接

https://www.jianshu.com/p/e704a6f6e8d3

??2020 CSDN 皮膚主題: 技術黑板 設計師:CSDN官方博客 返回首頁
彩61彩票