菲洛嘉青春动能素135HA FILLMED® NCTF 135HA LED指示灯的常见故障分析 智微智能 Elkhartlake K075终端,零售产业新选择 天空蓝拓客管理系统详细介绍版 muso公链项目 天使计划 是什么?[秘] 独家揭秘最前沿的家装“黑科技”——掌赋 天博体育欧洲杯特辑,东道主法兰西的失意2016 亚马逊的送货侦察员 学习听起来像挡泥板 Google Comics Factory使ML变得容易 笑着说-男性或女性 Amazon Rekognition中更好的人脸检测 关于Spaun的真相-大脑模拟 两个聊天机器人彼此聊天-有趣又怪异 GANPaint:将AI用于艺术 WCF和WF给予社区 从耳朵到脸 所有神经网络的深层缺陷 蠕虫在尾巴上平衡杆子 Kickstarter上的OpenCV AI套件 TensorFlow-Google的开源AI和计算引擎 众包取代新闻工作者 Google的DeepMind学会玩街机游戏 哑机器人V智能机器人 .NET与.NET 5融为一体 Google的深度学习-语音识别 LInQer将.NET LINQ移植到Javascript 机器人TED演讲-新的图灵测试? GAN的发明者加入苹果 您的智能手机会监视您键入的内容 人工智能帮助改善国际象棋 Zalando Flair NLP库已更新 TensorFlow 1.5包含移动版本 AlphaGo输了一场比赛-比分3-1 虚拟机器学习峰会 Microsoft开源AI调试工具 SharePoint走向移动 F#4.0发出文化变革的信号 克里斯蒂拍卖AI艺术品 人工智能如何区分 Facebook在蒙特利尔的新AI实验室 Mozilla想要您的声音 微软使用极深的神经网络赢得ImageNet 建立AI合作伙伴关系 .NET Core 3-Microsoft几乎回到了起点 神经网络-更好的销售商? Google使用AI查找您的住所 虹膜-适用于Android的Siri证明苹果没有优势 TensorFlow 2提供更快的模型训练 深度学习研究人员将为Google工作
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。