人工智能能力提升指导总结

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，88、3232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