机器学习学习步骤

1 开始第一个项目

• a 数据收集整理
  • 比如Imagenet水果识别，10种水果图片，每种几千张
• b 数据清洗
  • 剔除噪音图片，
  • 方法1，训练数据，将分类错误的剔除；
  • 方法2，部分图片有xml，有图片坐标位置，把图片抠出来
• c 基础网络选择
  • 根据gpu显存情况、业务需求、数据集大小选择， 部署移动端一般选择轻量高效率，比如ShuffleNet、SqueezeNet、MobileNet等小型网络，体积小，速度快，效果还可以；如果是部署在服务器或者PC端，有很多，比如ResNet、DenseNet等
• d 框架选择
  • keras用的多，caffe直接调接口就可以用，比如测试阶段，但是caffe速度快，使用者较多，但是linux安装caffe比较考验耐心
• e 模型训练
  • loss损失值跟损失函数相关，关注loss变化趋势，训练和验证都下降，比较好，否则可能过拟合，比如训练下降，但是验证不变甚至上升。还有一种特殊情况，开始训练一直上升然后变成NaN,可以调整学习率，现在自适应调整学习率
• f 模型优化
  • 调参，现在的话使用当前训练过的模型，剔除噪音，再训练；fine-tune微调比如把原先训练好的模型取全连接之前的所有卷积层的参数，作为新的模型初始参数，调优
• g 测试
  • 代码取摄像头视频流测试模型，或者写一个flask的web服务用docker打包进行测试，或者做成安卓app在手机测试

2 如何快速的出成果–善用开源

• 上网搜相关技术博客，如人脸识别MBP+CNN、SDM网络框架，然后github搜开源代码，跑通代码，根据需求作比较，改代码，最后完成任务，写代码多看多练

3 如何解决没有相关开源资源的问题–拆分组合

• 不同算法拆分组合

4 掌握一手信息–社区、公众号

• 群、公众号，固定时间看一看

遭遇瓶颈

• 1 如何使用高级方法解决问题
  • 比如选框，用高斯概率模型选最优框
• 2 逃离舒适区
  • 多尝试交叉地带，体会更深
• 3 如何面对瓶颈期