初试机器学习

编译tiny-dnn 

安装gcc高版本支持c++14

yum install centos-release-scl -y

yum install devtoolset-7 -y

通过scl enable devtoolset-7 bash去切换一个shell使用gcc7toolchain

yum install cmake3

cmake3 clean --dir . -DUSE_NNPACK=OFF -DBUILD_EXAMPLES=ON

 

example目录下有最简单常见的入门例子:

mnist 手写数字识别

cifar 小图片识别

 

cifar训练数据在 http://www.cs.toronto.edu/~kriz/cifar.html下载。数据集分为cifar-10和cifar-100。

cifar-10，也就是可以学习到认知10类事物，每类都打上一数字标签，并有6000张32x32图片，其中5000张训练1000张测试，让机器进行学习。

 

机器学习（train训练）参数：

epoch 训练的次数， cifar每次500s出头的elapsed.  越学越快。

minibatch_size 批梯度下降法（Mini-batches Learning）相关， 参考在http://blog.csdn.net/ycheng_sjtu/article/details/49804041

learning_rate 梯度下降法，梯度相乘的一个系数，越大步子越大每轮（epoch）学习越快收敛越慢，参考在https://www.cnblogs.com/yjbjingcha/p/7094816.html

 

机器识别：

将图片路径输入到识别程序（xxx_test），机器就会以标签回答出识别出来事物。

 

结果：

按照例子默认的训练参数，30 epoch, 0.1 learning_rate, 10 minibatch_size，

mnist 训练出来 

第一轮训练就94.54%，三十轮过后提升了4.38%。

cifar 训练出来 

 

第一轮训练不理想，只有45.53%，经过三十轮后提升到 69.29%，但是每轮都付出不少时间。

 

验证：

mnist 识别数字图片

  

数字2图片是白底黑字，对比度最高，mnist机器人（进行了mnist训练的机器人）识别出为2，

数字1图片黄底红字还有一个框，对比度有所减弱，mnist机器人也能够识别出是1，虽然准确率有所下降。

数字4图片红底红黑字，底色还是由红向红黑渐变，对比度很弱，mnist机器人就糊涂蒙眼了，识别为7，1，5 却不是 4。

cifar 识别图片

  

这里注意，cifar标签对应与mnist不同， 0:airplane，1:automoblie，2:bird，3:cat，4:deer ，5:dog，6:frog，7:horse，8:ship，9:truck

数字1图片，cifar机器人识别为 猫，船，飞机

数字4图片，cifar机器人识别为 鸟，猫，飞机

百度图片找来的小猫咪，cifar机器人识别出 猫，但只有85，后面还识别为鸟和船。在我们看来将一只猫识别为会飞的禽，或无生命的船，到低限度也是狗吧。但机器只通过像素图片去识别。

 

最后我从cifar-10训练数据集的车类别取出一张图片让 其识别，cifar机器人可以很肯定这就是车。其次可能是船或鹿。

 

有一个在线机器学习的网站 http://groups.csail.mit.edu/vision/TinyImages/，网站使用者可以对某类图片进行对错标记，手动训练远端的在线机器。

 

转载于:https://www.cnblogs.com/bbqzsl/p/8555836.html