機器學習有哪些好的DEMO可以用來快速入門？

有個很簡單的機器學習Demo，我們可以使用MNIST數據集在10分鐘內進行圖像分類，當您開始使用神經網絡學習深度學習時，您會意識到最強大的受監督的深度學習技術之一就是卷積神經網絡（簡稱為“ CNN”）。CNN的最終結構實際上與規則神經網絡（RegularNets）非常相似，其中存在具有權重和偏差的神經元。另外，就像在RegularNets中一樣，我們在CNN中使用損失函數（例如交叉熵或softmax）和激活函數（例如adam）。另外，在CNN中，還包括卷積層，池化層和全連接層。CNN主要用于圖像分類，盡管您可能會發現其他應用領域，例如自然語言處理等等。

CNN中的圖層

我們能夠在卷積神經網絡中使用許多不同的層。但是，卷積、池化和全連接層是最重要的。因此，在實現它們之前，我將快速介紹這些層。

卷積層

卷積層是我們從數據集中的圖像中提取特征的第一層。由于像素僅與相鄰像素和緊密像素相關，因此卷積允許我們保留圖像不同部分之間的關系。卷積基本上是使用較小的像素過濾器對圖像進行過濾，以減小圖像的大小，而不會丟失像素之間的關系。當我們通過使用步幅為1x1的3x3濾鏡（每步偏移1個像素）將卷積應用于5x5圖像時。我們最終將獲得3x3的輸出（復雜度降低了64％）。

池化層

構造CNN時，通常在每個卷積層之后插入池化層，以減小表示的空間大小，從而減少參數計數，從而降低計算復雜度。此外，合并層還有助于解決過度擬合問題。基本上，我們選擇池大小以通過選擇這些像素內的最大值，平均值或總和值來減少參數數量。最大池化是最常見的池化技術之一，可以通過以下方式進行演示：

全連接層

一個完全連接的網絡是我們的CNN，其中每個參數相互鏈接，以確定每個參數在標簽上的真實關系和效果。由于卷積和池化層大大降低了時空復雜度，因此我們可以最終構建一個完全連接的網絡來對圖像進行分類。一組完全連接的層如下所示：

既然您對我們將要使用的各個層有了一些了解，我認為現在該分享一個完整的卷積神經網絡的概貌。

現在，您有了可以構建的用于圖像分類的卷積神經網絡的概念，我們可以獲得用于分類的最陳詞濫調的數據集：MNIST數據集，它代表改良的美國國家標準技術研究院數據庫。是一個龐大的手寫數字數據庫，通常用于訓練各種圖像處理系統。

下載Mnist數據

MNIST數據集是用于圖像分類的最常見數據集之一，可從許多不同來源訪問。實際上，甚至Tensorflow和Keras都允許我們直接從其API導入和下載MNIST數據集。因此，我將從以下兩行開始，以在Keras API下導入tensorflow和MNIST數據集。

NIST數據庫包含60,000張訓練圖像和10,000張測試圖像，這些圖像是從美國人口普查局員工和美國高中學生那里拍攝的。因此，在第二行中，我將這兩個組分別作為訓練和測試，并且還分離了標簽和圖像。x_train和x_test部分包含灰度RGB代碼（從0到255），而y_train和y_test部分包含從0到9的標簽，這些標簽代表它們實際的編號。為了形象化這些數字，我們可以從matplotlib獲得幫助。

當我們運行上面的代碼時，我們將獲得RGB代碼的灰度可視化效果，如下所示。

建立卷積神經網絡

我們將使用高級Keras API構建模型，該API在后端使用TensorFlow或Theano。我想提到的是，有幾種高級TensorFlow API，例如Layers，Keras和Estimators，它們可以幫助我們創建具有高級知識的神經網絡。但是，由于它們的實現結構各不相同，因此可能會造成混亂。因此，即使它們都使用了張量流，但如果您看到的是相同神經網絡的完全不同的代碼，這就是原因。我將使用最直接的API，即Keras。因此，我將從Keras導入順序模型并添加Conv2D，MaxPooling，Flatten，Dropout和Dense圖層。我已經討論過Conv2D，Maxpooling和Dense層。此外，Dropout層通過在訓練時忽略某些神經元來對抗過度擬合，而Flatten層在構建完全連接的層之前將2D數組展平為1D數組。

我們可以為第一個Dense層嘗試任何數字；但是，由于我們有10個數字類別（0、1、2，…，9），因此輸出層必須具有10個神經元。您可以始終在第一個Dense層中嘗試內核大小，池大小，激活函數，丟失率和神經元數量的實驗，以獲得更好的結果。

編譯和擬合模型

使用上面的代碼，我們創建了一個未經優化的空CNN。現在是時候為優化器設置一個使用度量的給定損失函數。然后，我們可以使用火車數據擬合模型。我們將使用以下代碼來完成這些任務：

您可以嘗試使用激活函數，損失函數，調參等等。但是，我可以說adam通常勝過其他激活函數。我不確定您是否可以更改多類分類的損失函數。請隨意在下面進行實驗和評論。這樣簡單的測可以達到98–99％的測試精度。由于MNIST數據集不需要大量的計算能力，因此您也可以輕松地嘗試好幾次訓練試試看。

評估模型

最后，您可以使用一行代碼通過x_test和y_test評估訓練后的模型：

model.evaluate(x_test, y_test)

對于一個如此簡單的模型，結果是相當不錯的。

評估顯示，測試儀的準確性為98.5％！

通過這種基本模型，我們達到了98.5％的準確性。坦率地說，在許多圖像分類案例中（例如，對于自動駕駛汽車），我們甚至不能容忍0.1％的誤差，因為作為類比，這就像在1000例案例中雖然導致1次事故但很嚴重一樣。但是，對于我們的第一個模型，這結果已經相當不錯了。