立即学习:https://edu.csdn.net/course/play/27685/385716?utm_source=blogtoedu
目录
1、初级课程目录
OpenVINO 100 – Course agenda
Lesson 1: Introduction, why do we need Artificial Intelligence (AI).
Lesson 2: What is Video, what is computer vision, how do we accelerate it on modern computers.
Lesson 3: How to accelerate Video processing
Lesson 4: How to accelerate Neural Network for vision applications
Lesson 5: Video Analytics pipeline
Lesson 6: Demos, OpenVINO at work
Lesson 7: The full flow, from Data to a product using Intel tools-Part 1.
Lesson 8: The full flow, from Data to a product using Intel tools-Part 2.
Lesson 9: Summary, intro to next course (200)
2、内容简介
2.1、模型的由来
对图像/视频进行处理后,对于图像边缘,观察特定像素的排列可以提取特征。
通过查找特征来观察图像,例如桌子,它的特征是4条线连接在1个平面。
而对于猫而言,需要的特征可能就不止4条线连接在1个平面,可能还要求有尾巴,耳朵等。
因此对于猫而言的简单特征检测器,将所有的输入特征组合输入到函数中,最终输出判断结果
同时,为了让模型能检测出更多的猫,泛化性更好,需要对每个特征赋予一定的权重,即每个特征值乘以一个权重,这些相乘的结果加上经过转换之后输出,输出结果等于1则是猫,等于0则不是猫。
而想要检测出更复杂的对象,需要更多的隐藏层,对于神经网络来说层数越多则代表包含的特征越多,若是只有一层则可能包含的特征比较少,不能准确地进行判断,所以我们需要多层结构的神经网络。并且函数与特征之间需要非线性的关系
再进一步,所谓的特征提取器也是对图像进行数学的运算,因此也可以转换成神经网络结构,添加到主函数中。
2.2、训练与推理
训练:获得特定权重的神经网络
推理:输入图像得到结果的过程
深度学习中,训练的定义就是通过不断地改变神经网络的参数来使神经网络输出值与目标值之间的误差越来小。在理想情况下,当深度神经网络训练完成时,用于验证的数据正确率将会达到百分之百,换句话说,每一次推理都会是正确的,所以训练网络的误差将无限接近于0.
2.3、DLDT
Intel为加速神经网络的计算推出了DLDT(Deep Learning Deployment Toolkit,深度学习部署套件),它是OpenVINO的一个组成部分
- DLDT运行的基本步骤
- 输入预训练模型
- 使用模型优化器:把所有模型转换成中间表示,即IR,它是python脚本,可以更改权重格式,优化拓扑
- 推理引擎读取IR文件并在AI应用中进行推理
模型优化器是一种跨平台的命令行工具,可促进训练和部署环境之间的转换,执行静态模型分析,并将深度学习模型调整为中间表示 (IR) ,通过推理引擎实现最佳执行。
3、总结
-
基于深度学习的神经网络是一种非常强大的执行各种与视觉有关任务的工具。
-
训练:获得特定权重的神经网络
-
推理:输出结果,计算误差,反向传播,更新权重
-
DLDT(深度学习部署工具包)是英特尔用于加速深度学习的工具。是OpenVINO的一部分
4、课后习题
1/5判断题: 仅凭有4只脚和1一个尾巴是不足以判断是否是一只小猫。所以用来判断小猫的是必须需要多层特征结构的神经网络
正确。
错误
2/5单选题: 理想情况下,当深度神经网络训练完成时,训练网络的误差将会:
A.趋近0。
B.趋近1
C.趋近100
3/5单选题:
深度学习模型应用于方方面面,以下是常用的模型分类是:
A.物体分类
B.目标追踪
C.人脸识别
D.图像分割
E.ALL。
4/5判断题: 模型优化器是一种基于 Python* 的工具,可将输入的训练模型从标准框架转换为统一的 IR 文件。
正确。
错误
5/5单选题:
英特尔® OpenVINO™ 工具套件中用于模型优化以及推理加速的组件是:
A.模型优化器
B.推理引擎
C.参考实例
D.A & B。
E. A & C