0
点赞
收藏
分享

微信扫一扫

人工智能能力提升指导总结




文章目录

  • ​​基础知识​​
  • ​​人工智能自学之路​​
  • ​​1. 人工智能、机器学习、深度学习的关系​​
  • ​​2. 数据集---需求​​
  • ​​3. 深度学习平台比较​​
  • ​​4. 训练过程可视化​​
  • ​​5. 经典训练案例​​
  • ​​训练通用规则​​
  • ​​1. 设置目标​​
  • ​​2. 准备数据集​​
  • ​​3. 模型搭建​​
  • ​​4. 训练网络与测试​​
  • ​​5. 保存模型​​
  • ​​6. 验证模型​​
  • ​​7. 评价模型的方法​​
  • ​​参考链接​​



基础知识


  1. ​​传统图像处理基本知识​​ 从​​传统图像处理基本知识​​可以明白为什么卷积神经网络是有效的。
  2. ​​数学统计基础可视化学习​​

人工智能自学之路


直接参考这个路线: ​​人工智能能力构建和模型调参经验分享​​

1. 人工智能、机器学习、深度学习的关系


博文链接

2. 数据集—需求


​​所有人工智能数据集总结​​

​​加拿大高级研究所CIFAR-X 系列数据集解析​​

  1. CIFAR-10​:
    CIFAR-10数据集包含10个不同类,的60,000张32x32彩色图像,有50000个训练图和10000个测试图。

  2. CIFAR-100​:
    Cifar-100数据集包含有100个类,的60000张32X32彩色图片,每个分类包含500-1000,600张图片500-100。

  3. Tiny Images​: 该数据集由79,302,017个图像组成,每个图像为32x32彩色图像(500G);

  4. ImageNet-ILSVRC​(Large Scale Visual Recognition Challenge)
    AI研究员Fei-Fei Li,手工注释了超过1400万个图像,并且在至少100万个图像中,还提供了边界框。
    ImageNet包含超过20,000个具有典型类别的类别,8​8、32​32和64*64。

  5. COCO​ 数据集
    COCO数据集是微软团队获取的一个可以用来图像识别、分割、标注,数据集.
    330K图像、80个对象类别、每幅图像有5个标签、25万个关键点

3. 深度学习平台比较


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

4. 训练过程可视化


​​​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. 经典训练案例


​​通过python 训练 mnist:​​

​​TensorFlow: MNIST for beginners step by step:​​

​​Handwritten Digit Recognition using Convolutional Neural Networks in Python with Keras​​

训练通用规则


1. 设置目标


基于CIFAR-10数据集,训练一个简单CNN网络;保存训练好的模型,测试;使用GPU训练;


2. 准备数据集


​​所有人工智能数据集总结​​

​​加拿大高级研究所CIFAR-X 系列数据集解析​​

找数据,打标签,数据增强,预处理,现在一般都直接用现有的数据;例如:CIFAR-10

3. 模型搭建


定义网络​—设置​损失函数​,优化​迭代方法


​​常见模型​​

​​常见损失函数​​

​​常见优化方法​​

4. 训练网络与测试


实际的和标签的差就是loss


这里看PPT:​​李宏毅一天搞懂深度学习​​

5. 保存模型


  • ​cfair10.pth(pytorch)​​:
    多 GPU 训练的方法是使用 torch.nn.DataParallel

  • ​model.ckpt​​:—>>>​​checkpoint​​​​xxx.ckpt.data-0000-of-00001​​ 权重;
    ​xxx.ckpt.meta​​ 图结构;
    ​xxx.ckpt.index​​ 权重节点索引)

  • ​model_deploy.prototxt​​ (描述了网络结构和数据集信息);

  • ​train_iter_100.caffemodel​​(权重)

6. 验证模型


拿些没有用过的图,去用训练好的模型。


7. 评价模型的方法


待上传

例如输出一个模糊矩阵


参考链接


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



更多内容详见微信公众号:Python研究所

人工智能能力提升指导总结_数据集



举报

相关推荐

0 条评论