leancloudphp教程技巧_若何做一个完整的深度进修应用

末了一行代码会显示验证集的前三个图片。

from fastai2.data.block import DataBlock, CategoryBlockfrom fastai2.vision.data import ImageBlockfrom fastai2.data.transforms import RandomSplitter, parent_labelfrom fastai2.vision.augment import Resizeobjects = DataBlock( blocks=(ImageBlock, CategoryBlock), get_items=get_image_files, splitter=RandomSplitter(valid_pct=0.2, seed=42), get_y=parent_label, item_tfms=Resize(128))dls = objects.dataloaders(path)dls.valid.show_batch(max_n=3, nrows=1)

在做图像识别的时候每每还会对图片做一些随机的缩放、裁剪等变换，以便产生足够多的数据来提高演习效果。
可以从下面代码的结果看到对同一个图片做不同变换的结果。

from fastai2.vision.augment import aug_transforms, RandomResizedCropobjects = objects.new( item_tfms=RandomResizedCrop(224, min_scale=0.5), batch_tfms=aug_transforms())dls = objects.dataloaders(path)dls.train.show_batch(max_n=6, nrows=2, unique=True)

接下来终于可以开始演习了。
对付图像识别这样的运用处景来说，每每不会从零开始演习一个新的模型，由于有大量的特色是险些所有运用都须要识别的，比如物体的边缘、阴影、不同颜色形成的模式等。
常日的做法因此一个预先演习好的模型为根本（比如这里的 resnet18），用自己的新数据对末了几层进行演习（术语为 fine tune）。
在一个多层的神经网络里，越靠前（靠近输入）的层卖力识别的特色越详细，而越靠后的层识别的特色越抽象、越靠近目的。
下面的末了一行代码指演习 4 轮（epoch)。

如果你有 Nvidia 的显卡，在 Linux 下，并且安装了得当的驱动程序的话，下面的代码只须要几秒到十几秒，否则的话就要等待几分钟了。

from fastai2.vision.learner import cnn_learnerfrom torchvision.models.resnet import resnet18from fastai2.metrics import error_rateimport fastai2.vision.all as fa_visionlearner = cnn_learner(dls, resnet18, metrics=error_rate)learner.fine_tune(4)

末了输出的表格里是每一轮里演习集的 loss，验证集的 loss，以及缺点率（error rate）。
缺点率是我们关心的指标，而 loss 是掌握演习过程的指标（演习的目标便是让 loss 越来越靠近于 0)。
须要这两个不同的指标是由于 loss 要知足一些缺点率不一定知足的条件，比如对所有参数可导，而缺点率不是一个连续函数。
loss 越低缺点率也越低，但他们之间没有线性关系。
这里缺点率有差不多 10%，也便是准确率是 90% 旁边。

接下来我们要看看验证集里到底有哪些图片识别错了，下面的代码会打印出 confusion matrix。
在这个矩阵里，对角线的数字是精确识别的图片数，其它地方的是识别缺点的图片数。

from fastai2.interpret import ClassificationInterpretationinterp = ClassificationInterpretation.from_learner(learner)interp.plot_confusion_matrix()

从输出的矩阵可以看到一共有 11 个缺点，个中男女性别缺点有 4 个，此外电视和其它几类的稠浊大概多。

下面我们把 loss 最高的图片显示出来看看详细有什么问题。

输出的结果反响出了从互联网上抓来的数据存在的范例问题：噪声太多。
比如电视的搜索结果里有电视遥控器、电视盒子、电视剧海报，还有一些是完备无关的结果。

FastAI 供应了一个 cleaner 可以帮助我们比拟较小的数据集做手动洗濯。
它可以把全体数据集中 loss 最高的图片列出来让用户可以手动修正标签或者删除。

from fastai2.vision.widgets import ImageClassifierCleanercleaner = ImageClassifierCleaner(learner)cleaner

把稳 cleaner 只是做标记，你须要用 Python 代码来做实际处理。
我常日就直接把有问题的图片标记为 delete 然后删除。

for idx in cleaner.delete(): cleaner.fns[idx].unlink()

清理完之后重复演习的过程。

objects = DataBlock( blocks=(ImageBlock, CategoryBlock), get_items=get_image_files, splitter=RandomSplitter(valid_pct=0.2, seed=42), get_y=parent_label, item_tfms=Resize(128))objects = objects.new( item_tfms=RandomResizedCrop(224, min_scale=0.5), batch_tfms=aug_transforms())dls = objects.dataloaders(path)learner = cnn_learner(dls, resnet18, metrics=error_rate)learner.fine_tune(3)

如果你把稳到 error_rate 在后面的 epoch 有上升的话，可以降落 fine_tune 的参数以达到最好的效果。
由于如果演习轮数过多，模型会对演习集 over fit，在碰着新数据时缺点率会变高。
从上面的输出可以看到准确率提高到了 96% 以上。

达到满意的准确率后就可以把模型导出用到线上了。
下面这行代码会把模型保存到 export.pkl。

learner.export()后端 API

后端 API 是这个项目最大略的一部分，只有一个 endpoint。
加载前面导出的模型，收到新图片时用模型来预测分类就可以。

trump = load_learner('model.pkl')@app.route('/api/1.0/classify-image', methods=['POST'])def classify(): image = request.files['image'] res = trump.predict(image.read()) response = jsonify({'result': res[0]}) response.status_code = 200 return response

完全的代码在 GitHub 上 [3]。
按照文档 [4] 支配到 LeanCloud 云引擎就行。