人工智能能力提升指导总结 520了,用32做个简单的小程序 程序员的数学--用贝叶斯定理来推断一个案子 文旅部新规:在线旅游网站不得擅自屏蔽删除评价 不得大数据杀熟 苏宁易购开学季消费大数据:手机以旧换新销量增长299% 做实供电服务“133” 助大数据直上“云”端 思科前程序员离职 5 月后“删虚拟机跑路”,240 万美元打水漂,网友:够狠! 抗疫代码成国博最新藏品 阿里程序员“写代码写进国博挺酷” 国博史上首次收藏代码!它们是阿里程序员写下的抗疫代码 威胜信息发布2020年上半年业绩:物联网产业进入爆发期 营收净利双增长 下月发布会不止有新品折叠屏手机 酷开的物联网家居生态野心初现 史上最全的数据库面试题 数据库面试必看 一个数据库SQL查询的数次轮回 百度智能云正式对外发布百度智能云数据库品牌GaiaDB 数据库三大泛式是什么 电力行业网管需求 IT运维管理解决方案 citrix桌面虚拟化中的运维工具Director SRE运维体系的构建和工作职责划分 运维的核心价值是什么 手游开发定制的全过程详解 开发人员透露:《赛博朋克2077》枪支泛滥 成熟的产品经理如何应对“这个需求不合理” CI/CD管道对开发和运维的重要性 APP开发的流程是怎样的 如何开发一个APP 零基础学web前端开发要学多久 如何系统学习 Web前端要学习哪些内容呢 前端工程师至少要满足四类客户的需求 前端学习计划思维导图 前端人如何选择自己的技术栈 前端人如何更快地成长 大数据的七大核心具体价值 核心价值究其用户到底是谁 大数据核心技术是什么 该怎么掌握Hadoop知识 未来大数据应用场景广阔 中国将成为全球最大的数据圈 2020大数据产业生态大会通过“现场论道+云端连线”全程直播的方式在北京举行 2020中国大数据生态产业大会 华为云大数据连续四年荣登50强榜首 中国电信全面提速大数据新基建 无法启动计算机时该怎么办 通过这6个专业技巧来加速计算机 计算机专家提供在家工作或学习的技巧 2020年空中数据计算机市场新战略报告:技术进步,趋势与增长 物联网分析市场前景2020-2025年最新发展数据和市场趋势预测 马来西亚主要供应商的物联网(IoT)安全市场规模和增长 2020年医疗保健行业的物联网(IoT)市场分析以及到2025年的未来需求 零售市场类型和应用中的物联网(IoT)展望和2025年预测 蒙特利尔华纳兄弟公司正在寻找新程序员 而工作就是玩家的天堂 世界各地的5位著名女程序员 代码中的AI:AI对开发人员做了什么 如何找到程序员的第一份工作 盲人程序员创建没有图形的手机游戏 花费不到30美元 即可成为拥有30小时教程的专家Python程序员
您的位置:首页 >运维 >

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

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。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

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。

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。

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);

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,88、3232和64*64。

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

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时间联系我们修改或删除,多谢。