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。