深度学习基础1

使用深度学习技术解决图像识别问题步骤

经常看很多的算法模型，但是在自己进行应用创新的时候，有时候很可能会连基本的操作步骤都会忘记，没有完整的套路最终的结果定不会太完美，温故知新。

输入

一般会给定K个类别的N幅图像，作为计算机学习的训练集，让其进行训练集学习。针对常见的数据集类型，进行相应的数据集制作，数据的标签工作，这部分工作需要细致准确，训练集的质量直接会影响到模型的准确性，虽然标注过程工作量比较大，但还是要尽量做好，一次性做好，不要给后续的模型调优，参数优化工作拖后腿。更何况好的数据集工作，一劳永逸，值得开始下功夫做好。

学习

将训练集输入计算机，让计算机去观察每一幅图像，然后将所观察到的图像进行归纳和总结。即使用不同模型对图像进行特征提取。

评估测试

当计算机完成学习这个步骤时，就需要给它一副没有学习过的图像，让它自己去判断这幅图像到底属于哪一类，再将其得到的结果与已知的结果进行对比。

调参

再经过评估测试后，我们会发现，也许在设定这个模型的时候，有很多情况没有考虑周全，就像编写代码运行之后产生的运行时异常一样。对于这种暴露出的问题，我们需要对参数进行相应的调整，使其离优秀的模型更近一步。

生成

重复（3）和（4）步骤，在深度学习过程中，往往会迭代数万次，根据loss值和迭代步数来感知模型的优劣程度，将最终产出的模型作为生产模型，用到实际的问题中。
虽然步骤很简单，但是在实际的图像识别分类过程中，每一步都会有大量相应的算法和机制策略需要注意，所以每一步都还会存在大量的难点，需要我们在对每个模型有很深入的剖析，然后才能针对每一步进行调整优化，直到生成能够符合我们自身生产实际需要的模型。