大成帶你學(xué)習(xí)移動(dòng)網(wǎng)絡(luò)深度神經(jīng)網(wǎng)

首先先了解一下上面的兔子，包含許多種類的兔子，人們?cè)趺醋R(shí)別兔子的種類呢？

是不是首先通過照片或者實(shí)際的照片來識(shí)別兔子呢？那么機(jī)器（計(jì)算機(jī)通過什么方式來學(xué)習(xí)識(shí)別呢？其實(shí)，機(jī)器學(xué)習(xí)也是和我們?nèi)祟悓W(xué)習(xí)一樣的，也是通過不斷的讀取照片記住照片的特征值來學(xué)習(xí)識(shí)別圖片。這里引入了一個(gè)特征概念，那么什么是特征值呢？大白話就是照片一眼可以識(shí)別的特點(diǎn)，如上圖最大的特征是兔子耳朵長又長。

深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)需要大量的訓(xùn)練，輸入訓(xùn)練集，輸入測(cè)試訓(xùn)練集，建立模型，優(yōu)化算法，測(cè)試數(shù)據(jù)集進(jìn)行模型測(cè)試，不斷優(yōu)化模型，最終確立模型，通過這個(gè)模型進(jìn)行驗(yàn)證，最后再進(jìn)行預(yù)測(cè)。

機(jī)器學(xué)習(xí)模型可用用來完成什么任務(wù)呢？

• 分類（classification）

• 回歸（regression）

上圖兔子是典型的分類，需要把各個(gè)兔子進(jìn)行種類的識(shí)別，可用根據(jù)兔子的耳朵長度，個(gè)體大小，毛皮顏色，眼睛顏色，體重等屬性都是屬于特征。兔子是最大的標(biāo)簽。

回歸的例子，我們可以通過根據(jù)病人的身高，體重等表征信息來預(yù)測(cè)病人的血糖溶度，血糖溶度是一個(gè)數(shù)值，表征特征屬于特征，也是數(shù)值，通過數(shù)值型數(shù)據(jù)來預(yù)測(cè)稱為回歸。

總之：學(xué)好機(jī)器學(xué)習(xí)，首先需要學(xué)好分類和回歸。

機(jī)器學(xué)習(xí)常用的算法

• 分類算法

• K近鄰
  

• 決策樹
  

• 樸素貝葉斯
  

• 貝葉斯網(wǎng)絡(luò)
  

• 邏輯回歸
  

• SVM
  

• 回歸算法，有監(jiān)督學(xué)習(xí)

• 聚類算法，無監(jiān)督學(xué)習(xí)

• 關(guān)聯(lián)分析算法，無監(jiān)督學(xué)習(xí)

• Apriori

• FP-growth

• 集成算法

• Boosting

• Adaboosting

• bagging 隨機(jī)森林

• 強(qiáng)化學(xué)習(xí)

物品識(shí)別

啟動(dòng)WEB版本

直接在瀏覽器打開index.html就可以運(yùn)行，攝像頭，允許訪問文件。

用攝像頭 上，下，左 、右等 拍攝8個(gè)分類的照片

• 上圖的各個(gè)兔子，選出8個(gè)

列舉了8類的物品，通過拍攝進(jìn)行數(shù)據(jù)收集和訓(xùn)練準(zhǔn)備，當(dāng)然你如果感興趣也可以拍其他的物品。水果圖片是最好的。

點(diǎn)擊訓(xùn)練，生成自己的model，點(diǎn)擊test

點(diǎn)擊訓(xùn)練，出現(xiàn)損失率的提示loss，定義了model，可以允許下載

再拿物品進(jìn)行識(shí)別，可以稍微變化角度

識(shí)別率還是不錯(cuò)

小結(jié)

被訓(xùn)練的物品識(shí)別率比較高，缺點(diǎn)沒有訓(xùn)練的物品不會(huì)排除掉