八大深度学习最佳实践光环大数据培训.pdf

光环大数据--大数据培训人工智能培训 八大深度学习最佳实践_光环大数据培训 许多的人工智能算法得到了实践和应用。名博 Hack Noon 作者 Brian Muhia 认为想要玩转人工智能，不仅要拥有必要的数学背景知识，还需要拥有实 际的人工智能项目经验。 2017年，许多的人工智能算法得到了实践和应用。名博Hack Noon作者 Brian Muhia 认为想要玩转人工智能，不仅要拥有必要的数学背景知识，还需要拥有实 际的人工智能项目经验。 因此，Muhia 参加了一个叫 AI Grant 的人工智能比赛，并在去年 9 月，申 请了 fast.ai 网站上杰里米·霍华德(Jeremy Howard)教授的“实用深度学习” (Practical Deep Learning for Coders，第二版)的第一部分。 仅用了 7周多，Muhia 就学会了如何使用8种人工智能技术来进行工程实践， 并进行了归纳整理。 对于每一种实践方法，Muhia 都用了简短的 fastai 代码来概述总体思想， 并指出该技术是否普遍适用，例如：对于图像识别和分类，自然语言处理，对结 构化数据或协同过滤进行建模)，或者对于某种特定的深度学习的数据类型。 原作者注：在这篇博文中，图像识别技术使用的数据集来自于 Kaggle 上的 两个竞赛。 Dogs vs. Cats: Kernels Edition, Dog Breed Identification 链接：/c/dogs-vs-cats-redux-kernels-edition/ 光环大数据 光环大数据--大数据培训人工智能培训 Planet: Understanding the Amazon from Space 链 接 ： /c/planet-understanding-the-amazon-from-space 文中提到的所有实践方法都是通过 Jupyter Notebook 这个高效接口来完 成的，PyTorch 本身和 fastai 深度学习库均支持 Jupyter Notebook。 Muhia 设计了一个类似于狗与猫竞赛的分类任务，即分类蜘蛛与蝎子图片 (Spiders vs. Scorpions)。通过在谷歌上有哪些信誉好的足球投注网站“蜘蛛”和“沙漠蝎子”，作者从 Google Images 上下载了约 1500 张图片，然后作者从中去除了非 jpg 图像和不 完整的图像。剩下大约 815 张图片用作任务分类的数据。 训练集中每个类 [spiders，scorpions] 有 290 张图片，在测试/验证集中 有 118 张蜘蛛图片和 117 张蝎子图片。通过一系列训练后，作者采用的模型拥有 高达 95%的分类准确率。 如何构建任意类别(world-class)的图像分类器 ▌八大深度学习最佳实践 1. 通过微调的 VGG-16 和 ResNext50 模型来完成迁移学习 (用于计算机视觉 和图像分类) 通常，对于图像分类任务，采用神经网络架构效果普遍较好，针对具体问题， 你可以通过微调效果较好的神经网络，来大幅改善分类器的性能。。 50 层的卷积神经网络-残差网络 ResNext50 就是一个不错的选择。该网络 光环大数据 光环大数据--大数据培训人工智能培训 使用了 ImageNet 数据集上的 1000 种类别进行了预训练，效果表现非常好。它 可以将图像数据中的特征进行提取并多次利用。 当我们想要用它来解决实际问题时，我们只需替换掉最后的输出层，即用一 个二维的输出层替换原来 ImageNet 任务中的 1000 维输出层。这两个输出类别 存在于上面代码片段中的 PATH 文件夹中。 对于蜘蛛与蝎子分类任务的挑战，我认为以下几点需要注意：