百度手把手教你深度学习

免费高质量的百度深度学习课程

百度飞桨深度学习学院推出的《百度架构师手把手教深度学习》课程一共11节，内容涵盖内容如图1。无论对DL的新手或老手，感觉都能有所收获，大厂的大牛从学术及工业方面，深入浅出的讲解DL的理论知识，代码编写，paddle框架实操应用。跟随百度的两位大牛老师，孙老师和毕老师，从基础的机器学习（ML）和深度学习（DL）基础知识出发，学习Numpy数据处理、图像处理基础编程，从入门到进阶实操，老师讲得很仔细，一步一步引领，独特思考角度，对我而言，进一步理解和巩固了CV方面的基本理论知识和基础编程知识，又学习了一个DL框架，以后建模可以比较使用，增加很多模型工业部署方面的知识，觉得很有所获。
　在完成作业的时候，实操了相关的paddles相关模型及产品。AIstudio提供在线的训练算力，包括GPU和CPU（也免费的哦！），网络训练与自己电脑GPU可以同时训练不同的模型，工作学习两不误。
在实践中，进一步理清了模型的前沿研究方法，掌握使用paddle hub 工具快速、方便完成数据预处理、模型建立、模型训练、调优、模型评估的操作步骤，工业级需求及处理操作有了一个更清晰的认识。学习后，在研究中会更多的考虑一下工业级应用的特点。总体的感觉paddle 在工业级部署方面确实做得比较好，硬件的支持也很到位，后期研究会考虑一下全流程的研究（以前只做到了模型评估阶段，没有做过部署工作）。
课程链接：https://aistudio.baidu.com/aistudio/course，

图·1 课程界面
以下对学习的内容做一个简单的自我总结。

模型库

因为我感兴趣的是CV方向 ，对分类与目标检测方面更偏重，学习总结只谈这方面的。
以下介绍我觉得最棒的两个内容： 丰富的模型库和预训练权重文件，全流程开发框架paddle X 。
paddle提供了丰富的模型库，对于分类方面。如图2所示。详细了解：https://www.paddlepaddle.org.cn/modelbase，可以使用提供的预训练模型快速的进行项目ROC原型验证。官方开源了github的源码，可以灵活的进行使用。

图2 分类与检测模型库

全流程开发框架 paddle X

最喜欢的是全流程开发框架 paddle X飞桨开源深度学习框架和丰富的工具组件，PaddleX进行全流程的整合打通，为开发者提供飞桨全流程开发的最佳实践。它集飞桨核心框架、模型库、工具及组件等深度学习开发所需全部能力于一身，提供简明易懂的Python API，方便用户根据实际生产需求进行直接调用或二次开发，是提升深度学习项目开发效率的最佳辅助工具。
可以快速、方便的使用paddle X这个软件完成CV的建模、训练、评估。其中可以选用当前主流的一些模型进行训练，评估使用了当前研究主流的 precision,to1,top 5 ,mAP 技术 指标，并且绘制了训练的loss 及acc图，（感觉paper都可以直接使用了），最后还绘制了测试集的每个样本预测效果图，这个功能也非常好，能更直观的分析预测效果，进一步分析难例样本，改进模型设计。
模型官方说明文档：https://paddlex.readthedocs.io/zh_CN/latest/apis/models/index.html

图3 分类数据集格式

1 .分类项目

对于分类项目，只用准备如图3的数据结构文件夹。

图3 分类数据集格式
每个类的图片存放到一个子文件夹中，导入数据后，paddle X 会根据切分比例自动用子文件夹名创建一个标签文件labels.txt, 训练、验证、测试集分别创建train_list.txt,val_list.txt,test.txt文件。如图4所示。

图4 paddel x 自动生成数据文件

2.目标检测

目标检测通过五步可视化完成，如图5所示。

图5 paddle X 全流程开发五步骤

第一步：准备好数据，导入数据

如图6所示，创建一个文件夹，在里面分别创建两个子文件夹，存放图片的文件夹JPEGImages , 存放标注文件xml的文件夹Annotation( 准备好图片后，可以使用labelimg手工标注)。

图6 目标检测数据集格式
这里需要注意xml 文件格式。特别是difficult 值默认为0，千万不能使用unknow,这是个坑啊！

数据导入后，可以选择“显示标注”，可以预览所有数据图片上的标注框及类别信息，再一次直观的校验标注信息的准确性。

也可以一键方便的查看类别分布图，解检测类别是否均衡。个人觉得不写代码就可以直观分析数据太好了，DL中数据为王，数据上还是应该多花点时间分析的。

第二步：参数配置

设置学习率，选择预训练模型等。

第三步：训练

第四步：评估

评估时，一键可视化预测结果

第五步：模型发布

感谢

感谢老师和班班！谢谢您们的无私奉献和辛劳！感谢课程幕后的技术人员，我们知道，这门课程如此优秀，也有您们默默的付出,谢谢您们！
祝愿您们2020工作愉快！天天开心！心想事成！
感谢网络另一端，屏幕前的同学们，您们的支持与帮助，让我跨过了实操中的一道又一道坎，终于如期完成了作业！收获满满。
2020，fighting ，让我们一起期待更好的未来！