5.2.2_训练应用模型V1.0.pptx

培训项目2搭建智能物联网应用培训单元2训练应用模型

01、培训重点02、知识要求03、技能操作目录

培训重点Contents01

培训重点01.了解模型训练的算法。02.掌握模型训练的方法。03.能完成模型的训练。

知识要求Contents02

选择算法一

一选择算法1.决策树是一种基本的分类与回归方法，机器学习中主要是使用其分类方法。决策树是一种树形结构，其中每个内部节点表示一个属性上的测试，每个分支代表一个测试输出，每个叶子节点代表一种类别。

一选择算法2.人工神经网络人工神经网络（ArtificialNeuralNetworks，ANN也简称为神经网络（NNs）或称作连接模型（ConnectionModel），它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。神经网络采用大规模并行处理、分布式存储、弹性拓扑、高度冗余和非线性运算，因而具有很髙的运算速度，很强的联想能力，很强的适应性，很强的容错能力和自组织能力。神经网络一般由输入层、隐藏层、输出层组成，其中在输入层和输出层之间可以有多个隐藏层。每个圆形节点表示一个人工神经元，箭头表示从一个人工神经元的输出到另一个人工神经元的输入的连接。

一选择算法人工神经网络的工作原理与大脑的结构类似。一组神经元被赋予一个随机权重，以确定神经元如何处理输入数据。通过对输入数据训练神经网络来学习输入和输出之间的关系。在训练阶段，系统可以访问正确的答案。如果网络不能准确识别输入，系统就会调整权重，经过充分的训练后，它将始终如一地识别出正确的模式。图像识别，就是神经网络中的一个著名应用。

一选择算法3.目标检测算法目标检测就是在给定的图片中精确找到物体所在位置，并标注出物体的类别。主流的目标检测算法大致分为one-stage与two-stage。YOLO是一种目标检测算法模型，其全称是YouOnlyLookOnce。YOLO创造性的提出了one-stage，也就是将物体分类和物体定位在一个步骤中完成。YOLO直接在输出层回归边界框的位置和边界框所属类别，从而实现one-stage。通过这种方式，yolo可实现45帧每秒的运算速度，完全能满足实时性要求。目标检测算法可以应用于自动驾驶过程中对路面的行人、车道线和交通标示进行识别并定位目标的位置，在进行农作物病虫害识别中可以用于识别病虫叶子上病虫害类别与病害部位。

添加训练集二

二添加训练集在机器学习中，一般将样本分成独立的三部分，分别是训练集(trainset)，验证集(validationset)和测试集(testset)。其中，训练集用于建立模型，验证集用来确定网络结构或者控制模型复杂程度的参数，而测试集则检验最终选择最优的模型的性能如何。一个典型的划分是训练集占总样本的50%，而其它各占25%，三部分都是从样本中随机抽取。

采用公有云API训练三

三采用公有云API训练目前提供AI服务的云提供商主要有：亚马逊AWS，微软Azure，阿里云，腾讯云，百度云等。这些提供商所提供的云平台服务方式都是大同小异，操作方法也基本一样。在云平台上对人工智能项目进行训练的步骤是注册账号、选择所需要的人工智能服务类型、加载数据集、训练并生成模型、使用。

采用私有服务器训练四

四采用私有服务器训练采用私有服务器前期需要投入硬件设备，然后自己选择和搭建深度学习框架，目前已有大量的深度学习框架，如TensorFlow、PyTorch、Caffe和MXNet等。TensorFlow是一个开源的、基于Python的机器学习框架，它由Google开发，并在图形分类、音频处理、推荐系统和自然语言处理等场景下有着丰富的应用，是目前最热门的机器学习框架。TensorFlow允许将深度神经网络的计算部署到任意数量的CPU或GPU的服务器、PC或移动设备上，除了Python，TensorFlow也提供了C/C++、Java、Go、R等其它编程语言的接口。推荐使用GPU运行tensorflow，因为GPU比CPU更适合张量的运算，效率成倍数提升。但是并不是每台设备都配备GPU，没有GPU的设备可以使用CPU版本。Tensorflow需要python3.5以上的运行环境，安装有python环境的执行pipinstalltensorflow或者pipinstalltensorflow-gpu即可进行安装，安装过程会自动下载安装所需要的依赖库。

采用加速设备SDK训练五

五采用加速设备SDK训练采用加速设备进行训练，使得在本地就能进行推理，而不需要连接到功能强大的服务器主机上，Raspberry基金会的树莓派、谷歌的CoralU