阿里云机器实现深度学习-D

1、 PAGE PAGE 3阿里云机器实现深度学习背景门槛高。其次，对于这部分数据的处理，往往需要依赖 GPU 计算引擎，计算资源代价大。本文将介绍一种利用深度学习实现的图片识别案例，这种功能可以服用到图片的检黄、人脸识别、物体检测等各个领域。下面尝试通过阿里云机器学习平台产品，利用深度学习框架 Tensorflow，快速的搭架图像识别的预测模型，整个流程只需要半小时，就可以实现对下面这幅图片的识别，系统会返回结果“鸟”：二、数据集介绍本案例数据集及相关代码下载地址：/document_detail/51800.html?spm=5176.doc50654.6.564.mS4bn9使用CIFAR-

2、10 数据集，这份数据是一份对包含 6 万张像素为 32*32 的彩色图片，这 6 万张图片被分成10 个类别，分别是飞机、汽车、鸟、毛、鹿、狗、青蛙、马、船、卡车。数据集截图： 数据源在使用过程中被拆分成两个部分，其中 5 万张用于训练，1 万张用于测试。其中 5 万张训练数据又被拆分成 5 个 data_batch，1 万张测试数据组成 test_batch。最终数据源如图：三、数据探索流程下面我们一步一步讲解下如何将实验在阿里云机器学习平台跑通，首先需要开通阿里云机器学习产品的GPU 使用权限，并且开通 OSS，用于存储数据。机器学习：/product/learn?spm=a21gt.9

3、9266.416540.112.IOG7OU OSS：https:/ HYPERLINK /product/oss?spm=a2c0j.103967.416540.50.KkZyBu /product/oss?spm=a2c0j.103967.416540.50.KkZyBu1.数据源准备41.数据源准备 PAGE PAGE 15第一步，进入OSS 对象存储，将本案例使用的相关数据和代码放到 OSS 的 bucket 路径下。首先建立OSS 的bucket，然后我建立了 aohai_test 文件夹，并在这个目录下建立如下 4 个文件夹目录：每个文件夹的作用如下：check_pointcifa

4、r-10-batches-pycifar-10- batcher-pybird_mount_bluebird.jpgpredict_codecifar_pai.pytrain_codecifar_predict_pai.py本案例数据集及相关代码下载地址：/document_detail/51800.html?spm=5176.doc50654.6.564.mS4bn92.配置 OSS 访问授权现在我们已经把数据和训练需要的代码放入OSS，下面要配置机器学习对 OSS 的访问，进入阿里云机器学习，在“设置”按钮的弹出页面，配置 OSS 的访问授权。如图：3.模型训练从左边的组件框中拖拽“读 O

5、SS Bucket”以及“Tensorflow”组件链接，并且在“Tensorflow”的配置项中进行相关设置。Python 代码文件：OSS 中的 cifar_pai.py数据源目录：OSS 中的 cifar-10-batches-py 文件夹输出目录：OSS 中的 check_point 文件夹点击运行，实验开始训练，可以针对底层的 GPU 资源灵活调节，除了界面端的设置，需要在代码中也有相应的支持，代码编写符合 Tensorflow 的多卡规范。4.模型训练代码解析这里针对 cifar_pai.py 文件中的关键代码讲解：（1）构建 CNN 图片训练模型（2）训练生成模型 model.t

6、fl5.查看训练过程中的日志训练过程中，右键“Tensorflow”组件，点击查看日志。点击打开 logview 连接，按照如下链路操作，打开 ODPS Tasks 下面的 Algo Task，双击 Tensorflow Task，点击 StdOut，可以看到模型训练的日志被实时的打印出来：随着实验的进行，会不断打出日志出来，对于关键的信息也可以利用 print 函数在代码中打印，结果会显示在这里。在本案例中，可以通过acc 查看模型训练的准确度。6.结果预测再拖拽一个“Tensorflow”组件用于预测，PythonOSScifar_predict_pai.pyOSScifar-10-batches-pybird_mount_bluebird.jpgOSScheck_pointmodel.tfl预测的图片是存储在 checkpoint 文件夹下的图:结果见日志：7.预测代码数据部分预测代码解析：首先读入图片“bird_bullocks_oriole.jpg”，将图片调整为像素 32*32 的大小，然后带入model.predict 预