深度學(xué)習(xí)的關(guān)注度正持續(xù)上升，它是機(jī)器學(xué)習(xí)的一個(gè)子領(lǐng)域，基于人工神經(jīng)網(wǎng)絡(luò)的概念來執(zhí)行特定任務(wù)。然而在理論上，人工神經(jīng)網(wǎng)絡(luò)與人類大腦的運(yùn)作方式并不相同，甚至都不相似！

　　它們之所以被命名為人工神經(jīng)網(wǎng)絡(luò)，是因?yàn)樗鼈兛梢酝瓿纱_切的任務(wù)，同時(shí)達(dá)到理想的精確度，而無需使用任何特定規(guī)則進(jìn)行明確編程。

　　幾十年前AI失敗的主要原因是缺乏數(shù)據(jù)和計(jì)算能力。經(jīng)過數(shù)年時(shí)間，這一情況已顯著改善。基于大型科技巨頭和跨國公司投資AI數(shù)據(jù)，數(shù)據(jù)的豐富程度已大大提高。而鑒于圖形處理單元（GPUs）功能強(qiáng)大，計(jì)算能力也不再是挑戰(zhàn)。

　　本文將詳細(xì)討論構(gòu)建深度學(xué)習(xí)模型的五個(gè)基本步驟，以及如何使用這些步驟來處理各種深度學(xué)習(xí)項(xiàng)目。

　　1.定義架構(gòu)

　　深度學(xué)習(xí)是解決復(fù)雜任務(wù)的最優(yōu)方法之一，例如圖像分類或分割、人臉識別、目標(biāo)檢測、聊天機(jī)器人等。但是，對于每一個(gè)復(fù)雜的項(xiàng)目，深度學(xué)習(xí)模型均需進(jìn)行五個(gè)固定步驟以完成當(dāng)前任務(wù)。

　　構(gòu)建深度學(xué)習(xí)模型的第一步，也是最重要的一步就是成功定義網(wǎng)絡(luò)和架構(gòu)。根據(jù)所執(zhí)行任務(wù)的類型，一般傾向于使用特定類型的體系結(jié)構(gòu)。

　　通常，對于計(jì)算機(jī)視覺任務(wù)，如圖像分割、圖像分類、面部識別和其他類似項(xiàng)目，首選卷積神經(jīng)網(wǎng)絡(luò)（CNNs）或ConvNets。而對于自然語言處理和與文本數(shù)據(jù)相關(guān)的問題，遞歸神經(jīng)網(wǎng)絡(luò)（RNNs）和長短期記憶（LSTMs）更為可取。

　　在此步驟中，還可以決定整個(gè)深度學(xué)習(xí)架構(gòu)的模型構(gòu)建結(jié)構(gòu)類型。執(zhí)行此操作的三個(gè)主要步驟是順序模型（SequentialModels）、功能性API或用戶定義的自定義架構(gòu)。下文將更詳細(xì)地討論每種方法。

　　2.編譯模型

　　首選架構(gòu)構(gòu)建完成后，將繼續(xù)進(jìn)行構(gòu)建模型的第二個(gè)步驟——編譯模型。編譯步驟通常是TensorFlow深度學(xué)習(xí)框架中的一行代碼，可以采用model.compile（）函數(shù)進(jìn)行編譯。

　　在深度學(xué)習(xí)中，編譯的要求是配置模型，以便成功完成擬合/訓(xùn)練過程。正是在編譯中，為評估程序定義了培訓(xùn)程序的一些關(guān)鍵組成部分。

　　列舉一些必要參數(shù)，下一步需要分配損耗、優(yōu)化器和指標(biāo)。損耗的種類取決于所遇問題的類型以及亟待解決的問題。優(yōu)化器通常是指用于計(jì)算的adam、RMSprop或類似優(yōu)化器;指標(biāo)是指用于分析的準(zhǔn)確性度量或任何其他由用戶定義的衡量標(biāo)準(zhǔn)。

　　3.擬合模型

　　成功定義整體架構(gòu)并編譯模型后，第三個(gè)邏輯步驟是在訓(xùn)練數(shù)據(jù)集上擬合模型。擬合功能可在固定數(shù)量的周期（數(shù)據(jù)集上的迭代）內(nèi)訓(xùn)練模型。借助擬合功能，可以確定訓(xùn)練周期的數(shù)量、輸入和輸出數(shù)據(jù)、驗(yàn)證數(shù)據(jù)等重要參數(shù)。擬合功能可用于計(jì)算和估算這些基本參數(shù)。

　　在培訓(xùn)過程中，必須持續(xù)評估擬合步驟。重要的是要確保所訓(xùn)練的模型在提高準(zhǔn)確性和減少整體損失的同時(shí)，運(yùn)行良好。

　　同樣重要的是，要考慮到該模型沒有以任何方式被過度擬合。為此，必須使用Tensorboard之類的工具進(jìn)行持續(xù)評估，以分析各種圖表，并了解這些模型是否有可能被過度擬合。一旦訓(xùn)練完成并對固定數(shù)量的周期進(jìn)行分析后，就可以繼續(xù)進(jìn)行第四個(gè)步驟——評估并使用訓(xùn)練好的模型進(jìn)行預(yù)測。

　　4.評估和預(yù)測

　　評估深度學(xué)習(xí)模型是檢驗(yàn)構(gòu)建模型是否按預(yù)期工作的一個(gè)十分重要的步驟。構(gòu)建的深度學(xué)習(xí)模型在現(xiàn)實(shí)應(yīng)用程序中可能運(yùn)行不佳。因此，評估深度學(xué)習(xí)模型變得至關(guān)重要。

　　評估深度學(xué)習(xí)模型的一個(gè)主要方法是，確保模型對預(yù)處理步驟開始時(shí)，將分割測試數(shù)據(jù)所做的預(yù)測考慮在內(nèi)，以驗(yàn)證訓(xùn)練模型的有效性。除測試數(shù)據(jù)外，還必須用可變數(shù)據(jù)和隨機(jī)測試對模型進(jìn)行測試，以查看其在未經(jīng)訓(xùn)練的數(shù)據(jù)上的有效性，以及其性能效率是否符合預(yù)期要求。

　　假設(shè)我們建立了一個(gè)簡單的人臉識別模型。需考慮到該模型已使用圖像訓(xùn)練過，并嘗試在測試數(shù)據(jù)和實(shí)時(shí)視頻錄制中使用不同面孔評估這些圖像，以確保訓(xùn)練的模型運(yùn)行良好。

　　5.部署模型

　　部署階段是構(gòu)建任何模型的最后一步。一旦成功完成模型構(gòu)建后，如果想要保留模型或進(jìn)行部署，以面向更廣泛的受眾，這便是一個(gè)可選的步驟。部署方法各不相同，可以將其部署為跨平臺傳輸?shù)膽?yīng)用程序，也可以使用amazon提供的AWS云平臺進(jìn)行部署，或者使用嵌入式系統(tǒng)部署。

　　如果想要部署監(jiān)控?cái)z像頭之類的東西，則可以考慮使用類似樹莓派的嵌入式設(shè)備與攝像頭模塊共同執(zhí)行此功能。帶有人工智能的嵌入式系統(tǒng)是部署物聯(lián)網(wǎng)項(xiàng)目的常用方法。

　　使用flask、Django或任何其他類似框架構(gòu)建深度學(xué)習(xí)模型后，也可以選擇在網(wǎng)站上部署這些深度學(xué)習(xí)模型。另一個(gè)有效部署模型的方法是為智能手機(jī)用戶開發(fā)一個(gè)android或iOS應(yīng)用程序，以覆蓋更廣泛的用戶。

　　構(gòu)建任何深度學(xué)習(xí)模型都需遵循這些步驟，至少包含前述五個(gè)中的四個(gè)。對于新手或初級項(xiàng)目而言，部署步驟是可選步驟，但在相關(guān)行業(yè)和公司中，該步驟卻是極其重要，不可或缺。

　　需要格外注意的是，在構(gòu)建和使用深度學(xué)習(xí)模型前，必須考慮數(shù)據(jù)預(yù)處理、探索性數(shù)據(jù)分析以及其他強(qiáng)制性清理步驟。模型的構(gòu)建步驟必須在完成所有數(shù)據(jù)的預(yù)處理后才可以執(zhí)行。
責(zé)任編輯人：CC