实战项目一：人脸识别打卡

 

随着人工智能时代的到来，各大厂纷纷投入大量的人力物力进军人工智能领域。学习掌握大厂AI技术，可以使我们更快捷的实现业务场景智能化。本次人工智能培训主要介绍了百度AI的三大平台：机器学习平台、深度学习平台、人工智能平台，并对人工智能平台包含的三大主流技术：图像、语音、自然语言处理进行了深入讲解，最后以“人脸识别打卡”案例，详细讲解了项目架构设计和开发流程。学完本课程，不仅可以掌握图像、语音和自然语言处理API的使用，而且可以利用API实现具体应用的开发。

 

实战项目二：商品物体检测

 

物体检测是计算机视觉中最常见应用之一，有极为广泛的用途。本课程从目标检测算法出发，对各个算法进行了全面细致的讲解，然后讲解了数据集标记与处理的相关内容，最后以一个实战项目“商品物体检测”为例，讲解了整个项目的架构设计，以及整个项目的开发流程。学完本课程不仅可以掌握目标检测算法的原理、模型训练工具的使用，而且可以掌握利用TensorFlow Serving完成模型部署以及客户端编写能力。

 

实战项目三：AI游戏

 

这是一门最适合初学者的人工智能培训课程，本课程是针对人工智能感兴趣的零基础学习者研发的快速入门级课程，本着以深入浅出、通俗易懂的讲解形式；清晰丰富的内容体系：神经网络结构，激活函数，神经元，卷积神经网络，监督学习，无监督学习，以及Tensorflow的框架知识、语法结构和综合应用；有趣丰富的游戏案例设计：飞机投弹、坦克开炮、射箭、走迷宫等游戏为教学宗旨，带你轻松踏入人工智能的神秘领域。

 

实战项目四：PyTorch经典项目

 

深度学习框架PyTorch实战项目旨在，帮助同学们快速掌握PyTorch框架核心模块使用方法与项目应用实例，让同学们熟练使用PyTorch框架进行项目开发。人工智能培训内容全部以实战为导向，基于当下计算机视觉与自然语言处理中经典项目进行实例讲解，通过Debug模式详解项目中每一行代码的作用与效果。

 

实战项目五：Tensorflow深度学习

 

Tensorflow是谷歌开源的深度学习(包括机器学习)框架，伴随着人工智能业的兴盛其大名早已响彻云霄。本门人工智能培训课程从Tensorflow安装开始讲起，从基本计算结构到深度学习各大神经网络，全程案例代码实战，一步步带大家入门如何使用深度学习框架Tensorlow，玩转Tensorflow模型训练等所有知识点。

垃圾分类，指按一定规定或标准将垃圾分类储存、分类投放和分类搬运，从而转变成公共资源的一系列活动的总称。分类的目的是提高垃圾的资源价值和经济价值，力争物尽其用；然而我们在日常生活中认为对垃圾分类还是有些不知所措的，对干垃圾、湿垃圾……分的不是很清楚，由此我们就想到了使用深度学习的方法进行分类。

简介

本篇博文主要会带领大家进行数据的预处理、网络搭建、模型训练、模型测试

1. 获取数据集这里笔者已经为大家提供了一个比较完整的数据集，所以大家不必再自己去收集数据了数据集链接：https://pan.baidu.com/s/1OhA7yQt9evqNIP5CIPjdgw提取码：Z5A1如下为数据集中的部分数据展示这里就不过多的展示了，因为有些图片比较的不雅ok,不说题外话了，我们继续

2. 2.预处理数据集

3. importtorch,visdom,time

4. importos,csv,random,glob

5. fromPILimportImage

6. fromtorchvisionimporttransforms

7. fromtorch.utils.dataimportDataLoader,Dataset

classData(Dataset):

def__init__(self,root,resize,model):

super(Data,self).__init__()

self.root=root

self.resize=resize

#dividingdata

ifmodel=='train':

self.images=self.images[:int(0.6*len(self.images))]

self.labels=self.labels[:int(0.6*len(self.labels))]

ifmodel=='verify':

self.images=self.images[int(0.6*len(self.images)):int(0.8*len(self.images))]

self.labels=self.labels[int(0.6*len(self.labels)):int(0.8*len(self.labels))]

else:

self.images=self.images[int(0.8*len(self.images)):]

self.labels=self.labels[int(0.8*len(self.labels)):]

defmain():

#showdata

viz=visdom.Visdom()

db=Data('data',64,'train')

x,y=next(iter(db))

print('sample:',x.shape,y.shape,y)

viz.image(db.normalize(x),win='sample_x',opts=dict(title='sample_x'))

if__name__=='__main__':

main()

这里需要对数据进行增强，增强的最终结果如下图所示：

搭建网络接下来进行搭建网络了，笔者这里使用的是resnet的网络结构

importtorch

fromtorchimportnn

fromtorch.nnimportfunctionalasF

classResBlk(nn.Module):

def__init__(self,ch_in,ch_out,stride=1):

super(ResBlk,self).__init__()

self.conv1=nn.Conv2d(ch_in,ch_out,kernel_size=3,stride=stride,padding=1)

self.bn1=nn.BatchNorm2d(ch_out)

self.conv2=nn.Conv2d(ch_out,ch_out,kernel_size=3,stride=1,padding=1)

self.bn2=nn.BatchNorm2d(ch_out)

self.extra=nn.Sequential()

ifch_out!=ch_in:

#[b,ch_in,h,w]=>[b,ch_out,h,w]

self.extra=nn.Sequential(

nn.Conv2d(ch_in,ch_out,kernel_size=1,stride=stride),

nn.BatchNorm2d(ch_out)

)

classResNet18(nn.Module):

def__init__(self,num_class):

super(ResNet18,self).__init__()

self.conv1=nn.Sequential(

nn.Conv2d(3,16,kernel_size=3,stride=3,padding=0),

nn.BatchNorm2d(16)

)

#followed4blocks

#[b,16,h,w]=>[b,32,h,w]

self.blk1=ResBlk(16,32,stride=3)

#[b,32,h,w]=>[b,64,h,w]

self.blk2=ResBlk(32,64,stride=3)

##[b,64,h,w]=>[b,128,h,w]

self.blk3=ResBlk(64,128,stride=2)

##[b,128,h,w]=>[b,256,h,w]

self.blk4=ResBlk(128,256,stride=2)

self.outlayer=nn.Linear(256*3*3,num_class)

defforward(self,x):

returnx

defmain():

if__name__=='__main__':

main()

训练

importtorch

fromtorchimportoptim,nn

importvisdom

importtorchvision

fromtorch.utils.dataimportDataLoader

fromData_PreimportData

#fromresnetimportResNet18

fromtorchvision.modelsimportresnet18

fromutilsimportFlatten

batchsz=32

lr=1e-3

epochs=20

device=torch.device('cuda')

torch.manual_seed(1234)

train_db=Data('data',224,model='train')

val_db=Data('data',224,model='verify')

test_db=Data('data',224,model='test')

train_loader=DataLoader(train_db,batch_size=batchsz,shuffle=True,

num_workers=4)

val_loader=DataLoader(val_db,batch_size=batchsz,num_workers=2)

test_loader=DataLoader(test_db,batch_size=batchsz,num_workers=2)

viz=visdom.Visdom()

defevalute(model,loader):

model.eval()

correct=0

total=len(loader.dataset)

forx,yinloader:

x,y=x.to(device),y.to(device)

withtorch.no_grad():

logits=model(x)

pred=logits.argmax(dim=1)

correct+=torch.eq(pred,y).sum().float().item()

returncorrect/total

可视化训练结果可以看到经过次的迭代后，模型的效果还是不错的，哈哈哈哈哈。。。。。。。5.测试模型项目完整代码：https://github.com/huzixuan1/classification有什么问题欢迎同笔者讨论：1017190168最后希望大家能够动手实践实践