大家好齐鲤，我是一名曾經(jīng)只會(huì)excel的數(shù)據(jù)分析師。
后來(lái)經(jīng)我的同事大鵬點(diǎn)撥饱亿，我知道了Python數(shù)據(jù)分析靶橱，向他學(xué)習(xí)進(jìn)入了一條通神之路。今天是我“略懂”Python數(shù)據(jù)分析的第200天路捧。
在這200天里关霸，我的工作效率逐漸變高，處理數(shù)據(jù)量從千到萬(wàn)杰扫，接的項(xiàng)目越來(lái)越復(fù)雜队寇，老板看我的眼神也越來(lái)越柔和，有時(shí)甚至單獨(dú)請(qǐng)我吃飯……看來(lái)我很快就能升職加薪章姓！
高興之余佳遣，我對(duì)我的Python技術(shù)能力也有點(diǎn)擔(dān)心，甚至陷入了一種瓶頸：
1凡伊、工作中有大量的描述性統(tǒng)計(jì)工作零渐，要求不高，對(duì)我這種審美捉急的人來(lái)說(shuō)系忙，excel的快速樣式有時(shí)候很關(guān)鍵诵盼。
2、我很少碰到Python能做而excel不能做的數(shù)據(jù)處理，excel很慢甚至死機(jī)风宁，但只要電腦性能好洁墙，總能完成；
3戒财、雖說(shuō)會(huì)Python是優(yōu)勢(shì)热监，但公司的excel普及程度很高，介于項(xiàng)目合作原因我總是需要用excel銜接數(shù)據(jù)合作饮寞。
這不免導(dǎo)致我對(duì)Python技能的定位產(chǎn)生懷疑孝扛，我稱這個(gè)現(xiàn)象叫非典型性Python冷淡綜合癥。
新刺激來(lái)的很快幽崩，就在今天疗琉，帶我入Python坑的同事大鵬介紹來(lái)了一個(gè)新人小覃。我很快感覺到老板對(duì)我關(guān)愛的眼神落到了小覃身上歉铝。這不盈简，他們正在工位電腦前談笑風(fēng)生。
這怎么行太示！老板最寵的只能是我柠贤！
我決定再次展開“歡迎新人”套近乎策略，探探這位新人如此招待見的原因类缤。
走近他們臼勉，我先注意到了小覃電腦屏幕上有一堆貓貓狗狗照片，而小覃正在邊寫python代碼邊和老板解釋什么餐弱。只見他迅速寫了十幾行代碼并運(yùn)行宴霸，成功地識(shí)別了圖片里的貓。
第一步：進(jìn)行模型訓(xùn)練膏蚓，構(gòu)建識(shí)別貓狗的CNN模型
第二步：測(cè)試一張測(cè)試集里的照片瓢谢，確認(rèn)照片的分類為貓
這看似簡(jiǎn)單的操作卻這讓我和老板都很好奇。
我從未處理過(guò)除了CSV和JSON以外格式的數(shù)據(jù)驮瞧，面對(duì)新的思路氓扛，我不禁懷疑是否自己之前太過(guò)淺薄。
而老板一個(gè)勁的點(diǎn)頭论笔，說(shuō)找對(duì)了人采郎，接下來(lái)的AI旅游小程序項(xiàng)目有亮點(diǎn)了，咱們的產(chǎn)品肯定會(huì)刷爆朋友圈狂魔，還一邊拿手機(jī)里的產(chǎn)品概念圖給小覃看：
圖中為計(jì)算機(jī)通過(guò)機(jī)器學(xué)習(xí)識(shí)別街景圖片中的行人蒜埋、自行車和機(jī)動(dòng)車并定位邊界。該數(shù)據(jù)有助于識(shí)別城市道路使用情況最楷，甚至研究街道美學(xué)整份，能幫助使用者快速認(rèn)知陌生城市待错。本圖來(lái)自“城室科技”，歡迎有興趣的小伙伴微信自行搜索皂林。
看來(lái)面前是一位新大神朗鸠，經(jīng)驗(yàn)告訴我蚯撩，喂到嘴邊的大腿不能不跪础倍，我立刻上前獻(xiàn)上的膝蓋，說(shuō)道：覃大哥胎挎，小弟也算略懂Python沟启，之前在公司做數(shù)據(jù)分析工作，但從沒完成過(guò)你這么酷的操作犹菇，快教教小弟德迹，你剛剛用Python干了什么？
覃大哥笑道：過(guò)獎(jiǎng)了揭芍，其實(shí)剛剛就是基本的利用機(jī)器學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)算法來(lái)識(shí)別圖片里的對(duì)象胳搞。我使用Python加載深度學(xué)習(xí)工具包Keras，構(gòu)建了一個(gè)是簡(jiǎn)單卷積神經(jīng)網(wǎng)絡(luò)(CNN)模型進(jìn)行貓狗識(shí)別称杨，用于給老板解釋原理肌毅。你也一起聽吧。
總的來(lái)說(shuō)姑原，我有一些貓狗圖片悬而，作為訓(xùn)練集數(shù)據(jù)（Training Set），它們是用于建立和優(yōu)化模型的已經(jīng)有標(biāo)簽的原始數(shù)據(jù)锭汛。而我們也會(huì)有一些測(cè)試集數(shù)據(jù)（Test Set）笨奠，用于檢驗(yàn)?zāi)Ｐ汀Ｎ业哪繕?biāo)是為了構(gòu)建一個(gè)模型系統(tǒng)唤殴，把未知貓狗標(biāo)簽圖片放進(jìn)這個(gè)系統(tǒng)進(jìn)行測(cè)試般婆，正確地給它們打上是貓還是狗的標(biāo)簽。
圖為實(shí)時(shí)識(shí)別貓狗的動(dòng)態(tài)位置朵逝，算法來(lái)自 Joseph Redmon 腺兴，他研究使用計(jì)算機(jī)視覺的一種檢測(cè)系統(tǒng)yolo來(lái)定位他家的貓狗，相關(guān)介紹可自行搜索ted演講How computers learn to recognize objects instantly廉侧。
一個(gè)好的模型并不是一蹴而就页响，需要進(jìn)行調(diào)整。比如我剛建立的CNN模型的準(zhǔn)確率大概只在50%到60%段誊，很低闰蚕。因此實(shí)際應(yīng)用上，我們一般會(huì)投入大量精力做一些提高準(zhǔn)確率的操作连舍。
常用的操作包括增加訓(xùn)練集樣本數(shù)量没陡、嘗試使用更多或更少的特征值、集成模型等等方法。這決定了學(xué)習(xí)機(jī)器學(xué)習(xí)必須要撿起你的數(shù)學(xué)盼玄，不過(guò)這都是后話贴彼。
分辨貓狗是業(yè)界一個(gè)成熟案例，這里我們以一個(gè)訓(xùn)練好的圖像分類模型VGG16為例埃儿，以便得到更準(zhǔn)確的結(jié)果:
1#?搭建全連接層
2top_model?=?Sequential()
3top_model.add(Flatten(input_shape=vgg16_model.output_shape[1:]))
4top_model.add(Dense(256,activation='relu'))
5top_model.add(Dropout(0.5))
6top_model.add(Dense(2,activation='softmax'))
7
8model?=?Sequential()
9model.add(vgg16_model)
10model.add(top_model)
用此方法我們便可以更精確的辨認(rèn)出貓狗器仗。不管貓主子是何種奇特姿態(tài)，準(zhǔn)確率都比較高童番，可達(dá)到85%精钮。
覃大哥放下鼠標(biāo)，轉(zhuǎn)過(guò)頭來(lái)剃斧，對(duì)我和老板說(shuō)道：這是一個(gè)示例轨香，讓大家理解機(jī)器學(xué)習(xí)的一種工作方向，這個(gè)方向被稱為“計(jì)算機(jī)視覺”幼东，大家經(jīng)常聽說(shuō)的的圖像識(shí)別就是這門技術(shù)里的內(nèi)容臂容。老板想完成旅游小程序，用計(jì)算機(jī)視覺技術(shù)研究街景必不可少根蟹。
此時(shí)的我突然茅塞頓開脓杉，這不就是我一直找尋的突破口嗎？早就聽說(shuō)人工智能機(jī)器學(xué)習(xí)娜亿，但一直覺得自己數(shù)學(xué)不好沒有著手學(xué)習(xí)±鲆眩現(xiàn)在看到演示，才發(fā)現(xiàn)千里之行买决，始于足下沛婴。
于是我立馬向他問道：覃大神，請(qǐng)接收小弟的仰慕督赤，能否教我這門技術(shù)嘁灯，小弟能打水能錘肩學(xué)得快！
覃大神這候笑了：可以啊躲舌，入門不難丑婿，有個(gè)好老師帶更是事半功倍，來(lái)騰訊課堂免費(fèi)體驗(yàn)一下便知没卸。
更可以加群：862672474羹奉，群內(nèi)除了有熱心的老師和同學(xué)們的答疑以外，還有更加系統(tǒng)约计、干貨更密集的免費(fèi)直播诀拭！
