此文转载自：https://blog.csdn.net/sinat_36458870/article/details/100035630
文章目录
基础知识
- 传统图像处理基本知识
从传统图像处理基本知识可以明白为什么卷积神经网络是有效的。 - 数学统计基础可视化学习
人工智能自学之路
1. 人工智能、机器学习、深度学习的关系
2. 数据集—需求
-
CIFAR-10：
CIFAR-10数据集包含10个不同类，的60,000张32x32彩色图像，有50000个训练图和10000个测试图。 -
CIFAR-100：
Cifar-100数据集包含有100个类，的60000张32X32彩色图片，每个分类包含500-1000，600张图片500-100。 -
Tiny Images： 该数据集由79,302,017个图像组成，每个图像为32x32彩色图像（500G）；
-
ImageNet-ILSVRC（Large Scale Visual Recognition Challenge）
AI研究员Fei-Fei Li，手工注释了超过1400万个图像，并且在至少100万个图像中，还提供了边界框。
ImageNet包含超过20,000个具有典型类别的类别，88、3232和64*64。 -
COCO 数据集
COCO数据集是微软团队获取的一个可以用来图像识别、分割、标注，数据集.
330K图像、80个对象类别、每幅图像有5个标签、25万个关键点
3. 深度学习平台比较
https://en.wikipedia.org/wiki/Comparison_of_deep-learning_software
4. 训练过程可视化
https://playground.tensorflow.org/
很好用：https://cs.stanford.edu/people/karpathy/convnetjs/
http://vision.stanford.edu/teaching/cs231n/index.html
http://neuralnetworksanddeeplearning.com/chap4.html
http://colah.github.io/posts/2014-03-NN-Manifolds-Topology/
5. 经典训练案例
通过python 训练 mnist：
TensorFlow: MNIST for beginners step by step：
Handwritten Digit Recognition using Convolutional Neural Networks in Python with Keras
训练通用规则
1. 设置目标
基于CIFAR-10数据集，训练一个简单CNN网络；保存训练好的模型，测试；使用GPU训练；
2. 准备数据集
所有人工智能数据集总结
加拿大高级研究所CIFAR-X 系列数据集解析
找数据，打标签，数据增强，预处理，现在一般都直接用现有的数据；例如：CIFAR-10
3. 模型搭建
定义网络—设置损失函数，优化迭代方法
4. 训练网络与测试
实际的和标签的差就是loss
5. 保存模型
-
cfair10.pth（pytorch）：
多 GPU 训练的方法是使用 torch.nn.DataParallel -
model.ckpt：—>>>checkpoint
xxx.ckpt.data-0000-of-00001权重;
xxx.ckpt.meta图结构;
xxx.ckpt.index权重节点索引） -
model_deploy.prototxt(描述了网络结构和数据集信息); -
train_iter_100.caffemodel（权重）
6. 验证模型
拿些没有用过的图，去用训练好的模型。
7. 评价模型的方法
待上传
例如输出一个模糊矩阵
