【深度学习】百度飞桨PaddlePaddle-CV疫情特辑课程学习心得

最近参加了百度AI Studio的深度学习7日入门-CV疫情特辑课程，通过课程来入手学习深度学习框架-PaddlePaddle，同时学习深度学习的相关网络模型，本博客分享在学习过程中的一些心得。

1、通过对该课程的学习，首先了解了PaddlePaddle深度学习框架，然后在本地进行了安装使用；飞桨本地安装可参考飞桨官网：https://www.paddlepaddle.org.cn/documentation/docs/zh/install/index_cn.html

2、通过第一课学习到了百度的Pyecharts，可以进行各种类型的可视化图表绘制，Pycharts Api可参考：https://pyecharts.org/#/zh-cn/；本课程学会了如何爬取新冠肺炎疫情的全国数据，通过request和re模块进行数据爬取。

3、第二课通过手势识别项目，正式进入深度学习框架的使用，采用了一个DNN全连接神经网络进行手势识别图片的训练和预测，通过不断地调参和网络深度变化，最终提交了项目。

4、第三课通过车牌识别项目，学习了CNN神经网络，避免了DNN全连接带来的参数爆炸的问题，同时CNN利用了图片的位置信息，CNN采用了卷积层、池化层，能够更快更好的训练图片，从而更好的进行图片识别和分类。该项目采用了最经典的LeNet神经网络模型。

5、第四课通过口罩识别项目，学习了经过优化的VGG网络模型，VGG的核心是五组卷积操作，每两组之间做Max-Pooling空间降维。同一组内采用多次连续的3X3卷积，卷积核的数目由较浅组的64增多到最深组的512，同一组内的卷积核数目是一样的。卷积之后接两层全连接层，之后是分类层。VGG模型能够更好的提升模型训练的准确率，提高模型的泛化能力，实现更加精准的预测。

6、第五课通过比赛人流密度检测项目，尝试自己构建不同结构的CNN网络，通过参数调整，不断地提高模型的预测准确性。最重要的是，CV领域的模型训练非常需要GPU环境，通常CPU进行模型训练都会非常耗时，不便于模型调参和网络结构的调整，所以在使用飞桨的过程中，项目中能够用GPU环境来跑是非常重要的。

7、第六课通过PaddleSlim模型压缩的学习，了解到了PaddleHub和PaddleSlim，能够帮助我们进行模型参数的压缩，同时便于进行项目部署。真的是一整套，全流程作业！

8、总体来说，百度的AI Studio设计的非常好，从CPU、GPU资源的提供，到课程的免费开放，从数据集的提供，再到详细的视频、课件的教程，还有各类API文档，做的都非常用心、细致和全面！期待通过一系列更加深入的学习，我能够掌握百度这一套工具的使用，崔进自己在深度学习领域的成长。希望以后我也有能力，能够回馈想要入门深度学习的AI爱好者们！

附：百度AI Studio官网链接：https://aistudio.baidu.com/aistudio/index，你能找到你想要的一切！

一起开启我们的深度学习之旅吧！