Omówienie usługi Custom Vision
Użyjemy usługi Azure AI Custom Vision do utworzenia modelu uczenia maszynowego. Dowiedzmy się więcej o tym, jak działa usługa Custom Vision. Następnie zobaczysz proces krok po kroku, którego używamy do tworzenia modelu, od pomysłu do w pełni działającego modelu.
Co to jest uczenie maszynowe?
Prawdopodobnie znasz sztuczną inteligencję, uczenie maszynowe lub uczenie głębokie. Zidentyfikujmy terminy, aby zrozumieć, jak się różnią.
Sztuczna inteligencja (AI): sztuczna inteligencja to proces programowania komputera w celu naśladowania ludzkiej inteligencji. AI obejmuje uczenie maszynowe. Ideą sztucznej inteligencji jest użycie maszyny do naśladowania ludzkiej inteligencji, ale sztuczna inteligencja oferuje wiele różnych technik. W tym module skoncentrujemy się na uczeniu maszynowym.
Uczenie maszynowe: Uczenie maszynowe jest podzbiorem sztucznej inteligencji. Uczenie maszynowe używa technik do trenowania maszyn na podstawie doświadczenia. Pomyśl o doświadczeniu jak o zestawie danych, w którym zawarte są już dobre i złe odpowiedzi. W procesie uczenia maszynowego komputer korzysta z dostarczonych odpowiedzi w celu zwiększenia sprawności wykonywania określonych zadań. Uczenie maszynowe obejmuje również uczenie głębokie.
Uczenie głębokie: Uczenie głębokie to podzbiór uczenia maszynowego oparty na sztucznych sieciach neuronowych (ANN). Proces uczenia jest głęboki , ponieważ sieci ANN składają się z wielu warstw: danych wejściowych, wyjściowych i ukrytych warstw. Każda warstwa zawiera jednostki, które przekształcają dane wejściowe w informacje, które mogą być używane przez następną warstwę do określonego zadania predykcyjnego. Struktura sieci neuronowych umożliwia komputerowi naukę przy użyciu własnego przetwarzania danych.
Podczas tworzenia modelu staramy się naśladować ludzką inteligencję. Skorzystamy z danych jako elementów doświadczenia w celu uczenia modelu wykonywania określonego zadania lub funkcji.
Co to jest uczenie transferowe?
Usługa Azure AI Custom Vision korzysta z uczenia transferowego. Uczenie transferowe to możliwość wykorzystania wcześniejszej wiedzy w celu lepszego rozwiązania problemu. Jako ludzie, bierzemy to podejście do rozwiązywania problemów przez cały czas. Odkrywamy też nowe sposoby, aby to zrobić za pomocą komputerów.
W usłudze Custom Vision na platformie Azure uczenie transferowe działa przez dodanie warstwy składającej się ze wstępnie wytrenowanego modelu do sieci neuronowej. Przeszkolony model daje nam przewagę podczas uczenia nowych danych. Szkolenie rozpoczyna się od domeny ogólnej wiedzy. Nowe warstwy są dodawane do sieci neuronowej w celu rozwiązania określonego problemu. W danym przypadku jest to problem identyfikacji ptaków. Zaczynając od wstępnie wytrenowanego modelu, uzyskujemy lepsze wyniki bez dodawania dużych ilości danych.
Jak utworzyć model uczenia maszynowego
Aby lepiej zrozumieć proces tworzenia modelu uczenia maszynowego, oto szczegółowy przegląd procesu. Ukończymy ten proces, aby utworzyć model uczenia maszynowego.
Zadaj jednoznaczne pytanie. Nasze pytanie brzmi: czy możemy zidentyfikować gatunek ptaka z obrazu ptaka, aby pomóc udokumentować różne trendy i wzorce nawyków ptaków?
Przygotuj dane. Mamy zestaw danych obrazów ptaków z Laboratorium Cornell, który jest czysty i przygotowany, więc ten krok jest zadbany. Jeśli utworzono inny model, musisz znaleźć i przygotować dane do trenowania modelu. Chcesz znaleźć dane, które pomogą Ci odpowiedzieć na wskazane pytanie.
Wybierz algorytm. Usługa Custom Vision na platformie Azure korzysta ze splotowych sieci neuronowych (CNN), więc również o ten krok nie trzeba się martwić. CNN to typ uczenia głębokiego używany zazwyczaj do analizowania obrazów. Posiadanie gotowego algorytmu może nam zaoszczędzić dużo czasu.
Wybierz model kandydujący. Usługa Custom Vision zapewnia nam przydatne wykresy i dane pomocne w ustaleniu, czy nasz model działa wystarczająco dobrze, aby uzyskać zadowalającą odpowiedź na postawione pytanie. Gdy uważamy, że model działa na zadowalającym poziomie, przechodzimy do następnego kroku: test.
Przetestuj model przy użyciu nieznanych dotąd (nowych) danych. Ważne jest, aby przetestować model przez dodanie nowych danych. Wykonamy wyszukiwanie w Internecie i znajdziemy kilka obrazów testowych, aby zobaczyć, jak model działa z danymi, z których nie został wytrenowany. W dalszej części modułu omówimy znaczenie tego sposobu testowania.
Wdróż model. Usługa Custom Vision udostępnia nam pewne opcje, gdy nadszedł czas na wdrożenie naszego modelu. Możemy wdrożyć w punkcie końcowym, aby zintegrować model lub pobrać model. W przypadku pobrania modelu można wybrać spośród różnych formatów, by wdrożyć model w sposób najlepiej odpowiadający wymaganiom projektu. W tym module omówimy sposób korzystania z opcji szybkiego wdrażania dostępnej w portalu Custom Vision.
Zacznijmy tworzyć nasz model.