学习笔记——2020 AI开发者万人大会

记录一下CSDN学院 百万人学AI第二场前瞻峰会
上午场的一些记录
Topic:
实战TensorFlow2.2-宠物识别模型训练与预测——彭靖田

Basic Knowledge

图像分类
粗粒度分类->细粒度分类->实例级分类(打框,识别)
分类评估指标
Top-1,Top-5 偏重于个例 ,
混淆矩阵(对角线分数越高越好,表示预测的类别就是真实的类别)
图像分类应用
智能相册(识别-计算图像向量之间的相似度(余弦相似)),人脸限制:光照,自然光的影响;
以图搜图
瑕疵检测
Datasets
常用分类数据集:MNIST/Fashion-MNIST,CIFAR-10/CIFAR-100,ImageNet
重量级图像分类模型:
Alexnet->VGGNet->GoogLeNet->ResNet
AlexNet(ReLU的引入 缓解了梯度消失,层数->more than 10layer)
学习笔记——2020 AI开发者万人大会_第1张图片
VGG-Net:module(fixed 3*3filter+ReLU)large amount of computation
GoogLeNet:Inception Module(1,3,5 filter)
学习笔记——2020 AI开发者万人大会_第2张图片
human Top-5:5%
ResNet:ResNet50,ResNet-101,ResNet-152 residual-block 通过残差连接完成信息的跨层输入.恒等变换
学习笔记——2020 AI开发者万人大会_第3张图片
SOTA Comparison
学习笔记——2020 AI开发者万人大会_第4张图片

轻量级分类模型
SqueezeNet,MobileNet,Xception:
学习笔记——2020 AI开发者万人大会_第5张图片
SqueezeNet:
学习笔记——2020 AI开发者万人大会_第6张图片MobileNet:
深度可分离卷积 ->depthwise convolution+pointwise convolution
学习笔记——2020 AI开发者万人大会_第7张图片Xception:
学习笔记——2020 AI开发者万人大会_第8张图片

实战项目

做了一个细粒度分类:husky vs golden retriever
train:20images test:5images
baseline_model:mobile_net->dense->dense

Total params: 3,754,690
Trainable params: 3,718,786
Non-trainable params: 35,904

安装了jupyter lab 看起来和jupyter notebook差不多诶。。

后来我改了一下,用的自己整理的图片做甲状腺和甲旁腺的HE染色病理图像的分类。做了个三分类,分别是:正常甲状腺、正常甲旁腺、甲旁腺亢进。
traing:30images per class
test:30images
Examples:
学习笔记——2020 AI开发者万人大会_第9张图片
Training:
在这里插入图片描述

Test:
学习笔记——2020 AI开发者万人大会_第10张图片可以看到对甲状腺和甲旁腺还是很好区分的,但甲旁腺下的两个子类:正常甲旁腺和甲旁腺亢进,目前无法区分。
以及也可以看到在图像采集的时候,明显甲状腺和甲旁腺染色不一批存在较大差异,所以下一步打算测试灰度图试试看。
灰度图:对分类结果无影响
mobilenet->resnet50:分类性能下降了= =枯了= =

你可能感兴趣的:(学习资料)