1.科研平臺(tái)環(huán)境部署操作拓展

針對(duì)于機(jī)器學(xué)習(xí)中的模型訓(xùn)練，本人推薦大家多學(xué)習(xí)TensorFlow官方的課程或資源，比如中國(guó)大學(xué)MOOC上的兩門課程??《 TensorFlow 入門實(shí)操課程 》???和??《 TensorFlow 入門課程 - 部署篇 》???。科研或者工作過程中涉及的模型分布式訓(xùn)練，可能一個(gè)資源平臺(tái)往往會(huì)非常耗時(shí)，無法及時(shí)滿足個(gè)人需求。在這里，我將就上一篇??《初步了解TensorFlow框架學(xué)習(xí)》??提到的九天畢昇平臺(tái)的使用進(jìn)行一個(gè)具體的拓展，來方便學(xué)生和用戶來更快捷地進(jìn)行模型訓(xùn)練。該平臺(tái)可以進(jìn)行數(shù)據(jù)管理，模型訓(xùn)練等任務(wù)，是一個(gè)方便快捷的科研任務(wù)實(shí)踐平臺(tái)。在模型訓(xùn)練中具體操作步驟為：

（1）注冊(cè)并登錄九天畢昇平臺(tái)，由于后續(xù)訓(xùn)練任務(wù)需消耗算力豆，而新用戶的算力豆數(shù)量有限，但可以通過分享好友等任務(wù)來完成算力豆的獲取。同時(shí)針對(duì)大型模型訓(xùn)練任務(wù)，為獲取更多的模型訓(xùn)練存儲(chǔ)空間，可郵件方式聯(lián)系該平臺(tái)的工作人員進(jìn)行了控制臺(tái)的升級(jí)，從而達(dá)到了日后所需的訓(xùn)練存儲(chǔ)要求。存儲(chǔ)和算力豆詳情如下圖：

（2）進(jìn)入數(shù)據(jù)管理界面部署科研項(xiàng)目模型使用的數(shù)據(jù)集，通過將科研任務(wù)所需的數(shù)據(jù)集進(jìn)行打包上傳，完成模型訓(xùn)練所需數(shù)據(jù)集在該平臺(tái)上的部署。

（3）在模型訓(xùn)練窗口新增項(xiàng)目訓(xùn)練實(shí)例，選擇之前導(dǎo)入的數(shù)據(jù)集和所需的CPU資源。創(chuàng)建后的實(shí)例即為科研所需要訓(xùn)練的單個(gè)模型文件。新增項(xiàng)目實(shí)例的詳情如下圖所示：

（4）運(yùn)行新增的項(xiàng)目實(shí)例，即運(yùn)行項(xiàng)目訓(xùn)練環(huán)境，運(yùn)行成功后，則可以選擇jupyter編輯器創(chuàng)建和編輯所需的代碼文件。

（5）后續(xù)代碼編寫和模型訓(xùn)練即可使用jupyter編輯器進(jìn)行操作即可。

2. 圖像分類技術(shù)拓展

圖像分類，顧名思義就是根據(jù)圖像之間差異性來對(duì)不同圖像進(jìn)行類別判斷。而針對(duì)圖像之間地差異性去設(shè)計(jì)判別模型就是機(jī)器學(xué)習(xí)中需要去掌握的知識(shí)。圖像分類的基本知識(shí)和操作過程可以參考中國(guó)大學(xué)MOOC上的《TensorFlow入門實(shí)操課程》，快速了解TensorFlow基礎(chǔ)應(yīng)用與設(shè)計(jì)思路。。??https://www.icourse163.org/learn/youdao-1460578162?tid=1461280442#/learn/content?type=detail&id=1239107268&cid=1260057739??

本章主要是想通過拓展圖像分類技術(shù)來讓接觸該課程的用戶更加深入地理解圖像分類。

2.1 卷積操作有什么用？

說到對(duì)圖像進(jìn)行處理或者分類，必然繞不開一個(gè)操作，這個(gè)操作就是卷積。具體的卷積操作通過學(xué)習(xí)視頻基本都能了解，但是更多的讀者可能也只是停留在會(huì)如何進(jìn)行卷積操作的程度上，而對(duì)于為什么去進(jìn)行卷積，卷積操作有什么用這些仍然是一知半解。這里為大家進(jìn)行一定拓展來幫助大家更好理解卷積。

基本的卷積過程下圖所示，以圖像為例，使用一個(gè)矩陣來表示圖像，矩陣的每個(gè)元素即為圖像中對(duì)應(yīng)的像素值。卷積操作就是通過將卷積核逐乘對(duì)應(yīng)的矩陣，從而得到這些小區(qū)域的特征值。而提取到的特征會(huì)因?yàn)榫矸e核的不同而有所差異，這也是后續(xù)會(huì)有人對(duì)圖像不同通道進(jìn)行卷積操作來獲取圖像不同通道的特征，來更好地進(jìn)行后續(xù)分類任務(wù)。

在日常地模型訓(xùn)練中，具體地卷積核并不需要進(jìn)行人工設(shè)計(jì)，而是通過給定圖像的真實(shí)標(biāo)簽，使用網(wǎng)絡(luò)來自動(dòng)訓(xùn)練出來的，但是這樣的過程不利于人們?nèi)ダ斫饩矸e核和卷積過程，或者說不直觀。因此為了幫助大家更好理解卷積操作的意義，在這舉一個(gè)卷積操作的例子。如下圖矩陣所示，數(shù)值表示圖形的像素，為了方便計(jì)算，在這里只取了0和1， 不難看出該矩陣圖形的特點(diǎn)上面一半圖形是明亮的，下面一半圖形是黑的，因此該圖像具有很清晰的一道分界線，即具有很明顯的水平特征。

因此為了很好地提取上述矩陣的水平特征，設(shè)計(jì)的卷積核應(yīng)該也要具有水平特征提取的屬性。而采用垂直特征提取屬性的卷積核相對(duì)而言在特征提取的明顯程度上會(huì)略顯不足。 如下所示，采用提取水平特征的卷積核進(jìn)行卷積：

由得到的卷積結(jié)果矩陣可知，原始圖形的水平特征被很好地提取出來，并且圖形地分界線會(huì)更加明顯，因?yàn)閳D形有顏色的部分像素值加深了，很好地提取并突出了圖形的水平特征。當(dāng)采用提取垂直特征的卷積核進(jìn)行卷積時(shí)：

由得到的卷積結(jié)果矩陣可知，原始圖形的水平特征也能被提取出來，但是會(huì)產(chǎn)生兩條分界線，圖形變化由特別明亮到明亮再到黑，反映到真實(shí)圖形上的情況也就變成由明到暗再到黑的情況，與真實(shí)原始圖形反應(yīng)的水平特征有所差別。

由上述例子不難得知，卷積核的不同會(huì)影響最終提取的圖形特征的優(yōu)劣程度，同時(shí)不同圖形所反應(yīng)出來的特征也有所不同，如何根據(jù)圖形特征屬性的不同來設(shè)計(jì)出網(wǎng)絡(luò)模型來更好地學(xué)習(xí)和設(shè)計(jì)出卷積核也尤為關(guān)鍵。在實(shí)際地圖形分類項(xiàng)目中，就需要根據(jù)圖像的差異來選擇提取合適的特征，并且往往需要有所取舍的去考慮。           

2.2 如何考慮卷積來更好的進(jìn)行圖像分類？

在上一節(jié)中通過卷積操作的作用可以知道，設(shè)計(jì)網(wǎng)絡(luò)模型來更好地去學(xué)習(xí)出適配圖像的卷積核尤為重要。但在實(shí)際應(yīng)用中，都是通過給定圖像類別的真實(shí)標(biāo)簽，將類別標(biāo)簽轉(zhuǎn)成機(jī)器能夠理解的向量數(shù)據(jù)，來自動(dòng)學(xué)習(xí)訓(xùn)練。當(dāng)然，也不是完全無法通過人工設(shè)置來改善的。雖然數(shù)據(jù)集的標(biāo)簽是固定好的，但是我們可以根據(jù)數(shù)據(jù)集的圖片類型去選擇不同的網(wǎng)絡(luò)模型，針對(duì)不同的網(wǎng)絡(luò)模型的優(yōu)劣勢(shì)去考慮往往會(huì)有不錯(cuò)的訓(xùn)練效果。

同時(shí)在提取圖像特征時(shí)，也可以考慮使用多任務(wù)學(xué)習(xí)的方法，在已有的圖像數(shù)據(jù)中，再次同樣使用一次圖像數(shù)據(jù)去提取一些額外的圖像特征（例如圖像的通道特征和空間特征等），然后對(duì)之前提取到的特征進(jìn)行一個(gè)補(bǔ)充或者填充，來完善最終提取到的圖像特征。當(dāng)然，有時(shí)候這種操作會(huì)造成提取的特征冗余，取得的分類效果往往適得其反，因此需要根據(jù)實(shí)際訓(xùn)練的分類結(jié)果去酌情考量。

2.3 網(wǎng)絡(luò)模型選擇的一些建議

圖像分類領(lǐng)域發(fā)展已經(jīng)有很長(zhǎng)一段時(shí)間了，從最初經(jīng)典的AlexNet網(wǎng)絡(luò)模型到近幾年火熱的ResNet網(wǎng)絡(luò)模型等，圖像分類技術(shù)已經(jīng)發(fā)展地比較完善，對(duì)于一些常用的圖像數(shù)據(jù)集的分類準(zhǔn)確率已經(jīng)趨于100%。目前該領(lǐng)域中，大多數(shù)人采用的網(wǎng)絡(luò)模型都是選擇最新的，并且在大多數(shù)圖像分類任務(wù)中，使用最新的網(wǎng)絡(luò)模型確實(shí)可以帶來很明顯的分類效果，由此很多人在這一領(lǐng)域中往往會(huì)忽略以前的網(wǎng)絡(luò)模型，直接去學(xué)習(xí)最新的、流行的網(wǎng)絡(luò)模型。

在這，本人還是建議各位讀者能夠?qū)D形分類領(lǐng)域的一些經(jīng)典的網(wǎng)絡(luò)模型都需要去進(jìn)行一個(gè)熟悉，因?yàn)榧夹g(shù)的更新迭代是非常快的，即使現(xiàn)在最新的網(wǎng)絡(luò)模型今后也可能會(huì)被淘汰，但是基本的網(wǎng)絡(luò)模型運(yùn)行的原理是大致相通的，通過掌握經(jīng)典的網(wǎng)絡(luò)模型，不僅可以掌握基本的原理，還可以明白不同網(wǎng)絡(luò)模型之間的差異和針對(duì)不同任務(wù)處理時(shí)的優(yōu)劣性。例如，當(dāng)你的圖像數(shù)據(jù)集比較小時(shí)，采用最新的網(wǎng)絡(luò)模型訓(xùn)練起來可能會(huì)非常復(fù)雜耗時(shí)，但是提升的效果微乎其微，因此為了可以忽略不計(jì)的效果去犧牲自己的訓(xùn)練時(shí)間成本反而得不償失。因此，對(duì)于圖像分類網(wǎng)絡(luò)模型的掌握需要做到知其然還能知其所以然，這樣今后選擇圖像分類模型時(shí)真正能做到有的放矢。

作者介紹：

稀飯，51CTO社區(qū)編輯，曾任職某電商人工智能研發(fā)中心大數(shù)據(jù)技術(shù)部門，做推薦算法。目前從事自然語(yǔ)言處理方向研究，主要擅長(zhǎng)領(lǐng)域有推薦算法、NLP、CV，使用代碼語(yǔ)言有Java、Python、Scala。發(fā)表ICCC會(huì)議論文一篇。