pymysql-python實現資料庫的增刪改查
文章目錄
基礎知識
- 傳統影象處理基本知識
從傳統影象處理基本知識可以明白為什麼卷積神經網路是有效的。 - 數學統計基礎視覺化學習
人工智慧自學之路
1. 人工智慧、機器學習、深度學習的關係
2. 資料集—需求
-
CIFAR-10：
CIFAR-10資料集包含10個不同類，的60,000張32x32彩色影象，有50000個訓練圖和10000個測試圖。 -
CIFAR-100：
Cifar-100資料集包含有100個類，的60000張32X32彩色圖片，每個分類包含500-1000，600張圖片500-100。 -
Tiny Images： 該資料集由79,302,017個影象組成，每個影象為32x32彩色影象（500G）；
-
ImageNet-ILSVRC（Large Scale Visual Recognition Challenge）
AI研究員Fei-Fei Li，手工註釋了超過1400萬個影象，並且在至少100萬個影象中，還提供了邊界框。
ImageNet包含超過20,000個具有典型類別的類別，88、3232和64*64。 -
COCO 資料集
COCO資料集是微軟團隊獲取的一個可以用來影象識別、分割、標註，資料集.
330K影象、80個物件類別、每幅影象有5個標籤、25萬個關鍵點
3. 深度學習平臺比較
https://en.wikipedia.org/wiki/Comparison_of_deep-learning_software
4. 訓練過程視覺化
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. 經典訓練案例
通過python 訓練 mnist：
TensorFlow: MNIST for beginners step by step：
Handwritten Digit Recognition using Convolutional Neural Networks in Python with Keras
訓練通用規則
1. 設定目標
基於CIFAR-10資料集，訓練一個簡單CNN網路；儲存訓練好的模型，測試；使用GPU訓練；
2. 準備資料集
所有人工智慧資料集總結
加拿大高階研究所CIFAR-X 系列資料集解析
找資料，打標籤，資料增強，預處理，現在一般都直接用現有的資料；例如：CIFAR-10
3. 模型搭建
定義網路—設定損失函式，優化迭代方法
4. 訓練網路與測試
實際的和標籤的差就是loss
5. 儲存模型
-
cfair10.pth（pytorch）：
多 GPU 訓練的方法是使用 torch.nn.DataParallel -
model.ckpt：—>>>checkpoint
xxx.ckpt.data-0000-of-00001權重;
xxx.ckpt.meta圖結構;
xxx.ckpt.index權重節點索引） -
model_deploy.prototxt(描述了網路結構和資料集資訊); -
train_iter_100.caffemodel（權重）
6. 驗證模型
拿些沒有用過的圖，去用訓練好的模型。
7. 評價模型的方法
待上傳
例如輸出一個模糊矩陣