目錄介紹
為什麼要使用別人的cnn？
實現vgg16
應用於yale資料集
下一步？
如果您看過《
少數派報告》
電影，您可能還記得湯姆
·克魯斯（
tom cruise
）走進一家
gap2020
年。我們不需要視網膜掃瞄器，因為我們擁有
人工智慧（ai
）和機器學習（ml
）！ 在本系列中，我們將向您展示如何使用深度學習進行面部識別，然後基於被識別的面部，使用神經網路
語音合成
（tts
我們假設您熟悉
ai/ml
的基本概念，並且可以找到使用
python
的方法。
到目前為止，我們已經完成了設計、實現和訓練自己的
cnn以進行人臉識別所需的一切。在本文中，我們將**另一種方法——使用預先訓練的
vgg（牛津大學的
visual geometry group
）模型。這些
cnn已針對大型資料集進行了設計和訓練，並取得了出色的效果。
為什麼我們要重用別人為資料集設計和訓練的
cnn，這顯然不同於我們的資料集？好吧，主要原因是有人花了大量的
cpu/gpu
時間在龐大的資料集上訓練這些模型。我們可以充分利用這項訓練。在另一種模型中重用乙個已經訓練好的
cnn的想法被稱為
「遷移學習」。
vgg16
，vgg19
，resnet50
，inceptionv3
和xception
是一些著名的
vgg模型。它們具有不同的體系結構，並且都可以在
keras
中使用。這些模型均在包含約
120萬幅影象的
imagenet
資料集上進行了訓練。
在本文中，我們將改編
vgg16模型。
vgg16
架構圖顯示此
cnn的輸入定義為（
224、
224、
3）。因此，如果要使此
cnn適應我們的問題，我們有兩種選擇。我們可以剪裁和調整我們的影象到
224 x 224
，或者，我們可以將
vgg16
的輸入層更改為彩色影象（
rgb）的
(our_img_width
，our_img_height，3
）或灰度影象的（
our_img_width
，our_img_height，1
）。 請注意，
vgg16
的輸出層包含
1,000
個類。由於我們的問題沒有太多可能的類，因此我們必須更改輸出層的形狀。
我們將使用
vgg16
作為基本模型，並從中得出新的
cnn – vggnet
。這個新的
cnn將具有
vgg16
的層和權重，並在輸入層（以使其適應我們的影象寬度、高度和配色方案）以及輸出層（以使其適應我們的分類數量）進行一些修改。
為了實現我們的自定義
vggnet
模型，讓我們建立乙個從
mlmodel
繼承的類，就像在
所做的一樣。在名為
vggmodel
的類中，除了
init_model()
以外的所有方法都將具有與我們的
convolutionalmodel
類相同的實現。**如下所示：
def init_model(self):
base_model = vgg16(weights=constant.imagenet, include_top=false,
input_tensor=input(shape=(constant.img_width,
constant.img_height, 3)), pooling='max', classes=15)
base_model.summary()
for layer in base_model.layers:
layer.trainable = false
x = base_model.get_layer('block5_pool').output
# stacking a new ****** convolutional network on top of it
x = convolution2d(64, 3)(x)
x = maxpooling2d(pool_size=(2, 2))(x)
x = flatten()(x)
x = dense(constant.number_fully_connected, activation=constant.relu_activation_function)(x)
x = dense(self.n_classes, activation=constant.softmax_activation_function)(x)
self.vgg = model(inputs=base_model.input, outputs=x)
self.vgg.summary()
cnn的末尾新增了以下幾層：
flatten
，dense
，maxpooling
和dense
。我們附加到
vgg末端的
「mini-cnn」
的目的是連線其
block5_pool
，並使其以正確的類數適合我們的問題。
另外，我們將新增的圖層的
layer.trainable
屬性設定為
false
。這樣，我們就可以通過額外的訓練來保持原始模型的權重，我們必須進行這些訓練才能適應新的圖層。您可以通過呼叫
self.vgg.summary()
以獲得修改後的模型的完整描述。
我們在類的建構函式中使用以下
loss
和optimizer
函式：
def __init__(self, dataset=none):
super().__init__(dataset)
opt = keras.optimizers.adam(learning_rate=0.001)
self.vgg.compile(loss=keras.losses.binary_crossentropy,
optimizer=opt,
metrics=[constant.metric_accuracy])
vggnet
模型應用於
yale face
資料集。哇：我們僅在三個時代就達到了
93％以上的準確率！
cnn在經過
50個紀元後，為我們提供了約
85％的準確性。因此，使用預訓練模型已大大改善了演算法的收斂性。
tts
課程報名 基於模型訓練平台快速打造 AI 能力
我們常說的 ai 通用能力往往不針對具體的行業應用，而是主要解決日常或者泛化的問題，很多技術企業給出的方案是通用式的，比如通用文字識別，無論識別身份證 駕駛證 行駛證等，任何一張訓練後的模型都會盡可能去識別文字內容。正常 ai 模型開發過程包括資料標註，模型訓練，模型部署幾個流程，但是不同應用 不同...
華為雲技術分享 網路場景AI模型訓練效率實踐
摘要 問題 kpi異常檢測專案需要對裝置內多模組 多型別資料，並根據波形以及異常表現進行分析，這樣的資料量往往較大，對記憶體和效能要求較高。同時，在設計優化演算法時，需要快速得到訓練及測試結果並根據結果來調整演算法，因此進一步要求計算記憶體和效能達到較高的水平。當前，本地安全pc效能難以滿足除錯要求...
模型訓練和模型擬合的幾點理解
模型訓練和模型擬合的幾點理解，歡迎大牛指點 對於我們日常工作，拿到乙個挖掘專案，一般都是先走一遍標準化的資料流程，效果好大家歡喜，效果不好各種調參。這裡有幾點想說 1 在開始挖掘專案之前，是否有評估挖掘專案的可行性？2 挖掘專案可行，現有的資料是否可以支撐專案的開展？3 如何判斷現有資料可支撐需求呢...