了解自定义视觉

  • 2 分钟

我们将使用 Azure AI 自定义视觉服务来创建机器学习模型。 接下来详细了解自定义视觉的工作原理。 然后，你将看到用于构建模型的分步过程，从构思到构建出功能完善的模型！

什么是机器学习？

你可能听过 AI、机器学习或深度学习。 接下来我们要分辨这些术语，以便了解其不同之处。

  • 人工智能 (AI)：AI 是对计算机进行编程以模拟人类智能的过程。 AI 包括机器学习。 AI 的概念是使用计算机模拟人类智能，但 AI 提供了许多不同的技术。 本模块重点介绍的技术是机器学习。

  • 机器学习： 是 AI 的一部分。 机器学习使用各种技术，基于经验来训练计算机。 将经验看作一个数据集，它已经提供了正确答案和错误答案。 在机器学习中，计算机使用提供的答案来改进计算机完成特定任务的方式。 机器学习领域还包含深度学习。

  • 深度学习： 是机器学习的一部分，它基于人工神经网络 (ANN)。 学习过程是深度的，因为 ANN 由多个层构成：输入层、输出层和隐藏层。 每一层都包含很多单元，它们将输入数据转换成下一层可用来执行特定预测任务的信息。 通过神经网络结构，计算机能够在自身数据处理过程中学习。

    A graphical depiction of the nested relationship between A I, machine learning, and deep learning.

构建模型时，我们试图模拟人类智能。 我们使用数据作为“经验”来训练模型，使其学习特定的任务或功能。

什么是迁移学习？

Azure AI 自定义视觉使用迁移学习。 迁移学习是指使用先前知识来更好地解决当前问题的能力。 我们人类一直采用这种方法来解决问题。 我们还在发现用计算机执行此操作的新方法。

在 Azure 的自定义视觉服务中，迁移学习的工作方式是在神经网络中添加一层，该层是一个预先训练的模型。 经训练模型为我们训练新数据提供了良好的开端。 训练始于一般知识域。 新层将添加到神经网络，以解决特定问题。 在本例中，我们想要解决的问题是如何识别鸟类。 通过从预先训练的模型开始，我们可以获得更好的结果，而无需添加大量数据。

如何构建机器学习模型

为了更好地了解构建机器学习模型的过程，以下是该过程的分步概述。 我们将完成此过程来创建一个机器学习模型。

A graphical depiction of six steps in the process of building a machine learning model.

  1. 提出针对性问题。 我们的问题是，能否识别鸟类图像中鸟的物种，以帮助记录鸟类习性的各种趋势和模式？

  2. 准备数据。 我们有一个来自康奈尔实验室的鸟类图像数据集，该数据集精简且准备就绪，因此这一步已经完成了。 如果构建其他模型，将需要查找并准备用于训练模型的数据。 需要找到可帮助解答你感兴趣的针对性问题的数据。

  3. 选择一种算法。 Azure 中的自定义视觉服务使用卷积神经网络 (CNN)，因此我们无需考虑此步骤。 CNN 是一种深度学习，常用于分析图像。 使用已创建的算法可以节省许多时间！

  4. 选择候选模型。 自定义视觉服务提供了有用的图形和数据，帮助我们确定模型的性能是否已经足够好、可以解答我们的问题。 如果认为模型性能让人满意，就可以转到下一步：测试。

  5. 使用未见过的（新）数据测试模型。 添加新数据来测试模型很重要。 我们将执行 Internet 搜索并查找一些测试图像，以查看模型处理未用于训练的数据的性能如何。 我们将在本模块的后面部分讨论为什么使用这种方式进行测试很重要。

  6. 部署模型。 在部署模型时，自定义视觉为我们提供了一些选项。 我们可以部署到终结点以集成模型，也可以下载模型。 如果下载模型，可以多种格式中进行选择，以最适合你的项目的方式部署。 在本模块中，我们将讨论如何使用自定义视觉门户中提供的快速部署选项。

开始构建模型吧！