摘要：本文介绍了ModelArts如何通过自动学习进行毒蘑菇的识别。
想当年，白雪公主吃了毒蘑菇，换来了白马王子的一吻。如果白雪公主没有吃毒蘑菇，还会遇到白马王子吗？张小白觉得不见得——说不定她会遇到张小白。张小白给她AI MindSpore Lite推理了一下，她就不会中毒，也就会钟情于张小白的AI的神奇，也就不会移情给白马王子了。
为了早日给白雪公主安利一下毒蘑菇的知识点，张小白今天就写下了这篇通过ModelArts自动学习进行毒蘑菇分类的文字，希望白雪公主能够看到，并关注点个赞什么的。
ModelArts的自动学习功能也就几步：
（1）准备毒蘑菇数据集
（2）创建自动学习项目，进行数据标注
（3）对数据集进行模型训练
（4）将训练好的模型部署上线
（5）测试已部署上线的服务，进行蘑菇图片的推理。
先来创建数据集：首先把毒蘑菇的数据集准备好，点击以下链接下载zip包：
文件有951M，耐心下载。下载完毕后将其解压，
打开mushrooms/train文件夹,下面存放了毒蘑菇图片的9个分类。
将这些图片（带目录）上传到自己的OBS桶中。
张小白上传的OBS路径为是obs://mindspore-21day-tutorials/resnet-50-2/mushrooms/train/
然后，新建一个dataset-dumogu数据集：
由于OBS里面是按照目录分类的，可以先导入第一个目录，如上图所示。
输入：/mindspore-21day-tutorials/resnet-50-2/mushrooms/train/Agaricus/
输出：/mindspore-21day-tutorials/resnet-50-2/output-mindspore/
创建后，可以先将目前导入的图片全部标注为Agaricus。
标注完这一类之后，可以在这个数据集上面点击”导入“
填入第二个分类的OBS位置：
点击确定。
系统会进行该目录数据集的导入任务。
导入完毕，可以当看到 已标注的个数和整个数据集的数量：
本次导入的图片（数据集）会是未标注状态：
此时可将点击图片下方每页显示的最大数量跳到最大（目前是60),然后再选择”选择当前页“.
并在标签名中输入这类未标注的图片的标签，如Suillus,点击确认。
可看到未标注的数量在减少，而已标注为Suillus的图片数量在增加：
如此反复标注 未标注的图片，直到未标注的图片全部标注完毕，然后再进行其他目录（其他类别）的数据集的导入和标注。如此反复，直到标注完全结束。
（这确实是一个体力活，人称”数据标注工程师“。）
好了，我们的数据集就准备好了。
在标注完之后，ModelArts会在 前面设置的输出目录下生成以下目录：
这之下又有5个目录：
其中annotation目录是标注文件目录，里面内容为：
V002.manifest。
打开后，具体内容如下：
{"annotation":[{"name":"Cortinarius","type":"modelarts/image_classification","creation-time":"2020-11-11 11:07:34","annotated-by":"human/zhanghui_china/zhanghui_china"}],"usage":"train","source":"s3://mindspore-21day-tutorials/resnet-50-2/mushrooms/train/Agaricus/import_1605064037231/219_m7t5mnXvmsw.jpg","id":"0008324d2a2933fa17ef490e8413edc1","sample-type":0}
其中将图片和类别的关系标注在JSON中。
第二步，我们来建立一个自动学习的任务。
打开自动学习菜单。
点击创建项目，输入名称: exeML-dumogu，选择”已有数据集“并选中刚才创建的dataset-dumogu数据集。
然后打开建好的项目exeML-dumogu,点击右边红色的开始训练：
系统弹出以下菜单，输入训练验证比例未0.8，0.2，确定后开始模型训练。
确认配置后提交，
系统就开始进行模型训练：
训练完毕后，会提示精确率，准确率，召回率等值，关键看准确率吧——94%，还可以。
点击上图的部署按钮们开始进行部署。
下一步：
点击提交后，
耐心等待，也可以在”部署上线“-”在线服务“菜单看到部署的进度。
部署完毕后，出现以下画面：
可以点击”上传“，上传一些待预测的图片。
比如上图，55%的机率是Agaricus...
我们上传一个真的Agaricus
得分1.0. 完全准确。
以上都是从数据集里面直接拿的图片，得分不是1.00就是0.99，飞常准。
张小白再从网上找一些毒蘑菇的图片：
这就有高有低了。
再找几张可以吃的，如金针菇和香菇：
好，我们回过头来看看这9个分类的具体含义：
label_list = ["Agaricus双孢蘑菇,伞菌目,蘑菇科,蘑菇属,广泛分布于北半球温带,无毒", "Amanita毒蝇伞,伞菌目,鹅膏菌科,鹅膏菌属,主要分布于我国黑龙江、吉林、四川、西藏、云南等地,有毒", "Boletus丽柄牛肝菌,伞菌目,牛肝菌科,牛肝菌属,分布于云南、陕西、甘肃、西藏等地,有毒", "Cortinarius掷丝膜菌,伞菌目,丝膜菌科,丝膜菌属,分布于湖南等地(夏秋季在山毛等阔叶林地上生长)", "Entoloma霍氏粉褶菌,伞菌目,粉褶菌科,粉褶菌属,主要分布于新西兰北岛和南岛西部,有毒", "Hygrocybe浅黄褐湿伞,伞菌目,蜡伞科,湿伞属,分布于香港(见于松仔园),有毒", "Lactarius松乳菇,红菇目,红菇科,乳菇属,广泛分布于亚热带松林地,无毒", "Russula褪色红菇,伞菌目,红菇科,红菇属,分布于河北、吉林、四川、江苏、西藏等地,无毒", "Suillus乳牛肝菌,牛肝菌目,乳牛肝菌科,乳牛肝菌属,分布于吉林、辽宁、山西、安徽、江西、浙江、湖南、四川、贵州等地,无毒", ]
自己找的几个毒蘑菇图片，分别被识别为：
Russula，无毒 Amanita，有毒 Lactarius，无毒 Amanita，有毒 Hygrocybe，有毒 Amanita，有毒 Lactarius，无毒 ---------白雪公主的中毒率为 3/7.
而张小白找的那2张食用菇的图片，分别被识别为：
Lactarius，无毒 Lactarius，无毒 ---------白雪公主吃到美食的概率是 100%。
看来，7个小矮人还是有必要出现的，至少可以帮白雪公主试7次毒。
至于在实战营得到的一个关键知识，也需要在这里强调下：ResNet卷积神经网络，肯定会给一张并没有分类的图片搞个分类的，即便它不属于任何分类，也会强分一下，只不过得分会稍微低一点，比如0.5，0.6，0.7之类的。这个并不是这个网络的无能，而是在深度学习这块，现在就只能到这里了。
所以，张小白认为，如果在得分特别低的情况下，咱就暂且在应用上不将其归类就是了。（或者写上得分，让别人看到，反正真的不是也是个概率问题，也不能怪ResNet。说了这些，张小白感觉这个好像天气预报的概率指数啊。）
好了，关于ModelArts自动学习完成毒蘑菇图片识别的介绍暂时讲到这里吧。其实本文只是学习MindSpore的一个副产品。张小白的本意是想检查下，这个数据集进行训练，是否真的如MindSpore训练结束后那样不是很令人满意，结果倒是较为满意的。这样子反而让张小白无可奈何了。看来还是要细究下ResNet在MindSpore的应用里面，到底出了啥问题。
本文分享自华为云社区《张小白教你如何使用ModelArts的自动学习对毒蘑菇进行分类》，原文作者：张辉。