Förstå Custom Vision
Vi använder Tjänsten Azure AI Custom Vision för att skapa en maskininlärningsmodell. Nu ska vi lära dig mer om hur Custom Vision fungerar. Sedan ser du den stegvisa process som vi använder för att skapa en modell, från idé till fullt fungerande modell!
Vad är maskininlärning?
Det är troligt att du har hört talas om AI, maskininlärning eller djupinlärning. Nu ska vi identifiera termerna så att vi förstår hur de skiljer sig åt.
Artificiell intelligens (AI): AI är en process för att programmera en dator för att efterlikna mänsklig intelligens. AI omfattar maskininlärning. Tanken med AI är att använda en dator för att efterlikna mänsklig intelligens, men AI erbjuder många olika tekniker. Den teknik som den här modulen handlar om är maskininlärning.
Maskininlärning: Maskininlärning är en delmängd av AI. Maskininlärning använder tekniker för att träna datorer baserat på erfarenhet. Tänk på erfarenhet som en datamängd, där rätt och fel svar är givna. I maskininlärning använder datorn svaren som har angetts för att förbättra hur datorn utför specifika uppgifter. Fältet maskininlärning omfattar också djupinlärning.
Djupinlärning: Djupinlärning är en delmängd av maskininlärning som baseras på artificiella neurala nätverk (ANN). Inlärningsprocessen är djup eftersom ANN består av flera lager: indata, utdata och dolda lager. Varje lager innehåller enheter som omvandlar indata till information som nästa lager kan använda för en specifik förutsägelseaktivitet. Det neurala nätverkets struktur gör det möjligt för en dator att lära sig av den egna databehandlingen.
När vi skapar en modell försöker vi efterlikna mänsklig intelligens. Vi använder data som ”erfarenhet” för att träna en modell att lära sig en speciell uppgift eller funktion.
Vad är överföringsinlärning?
Azure AI Custom Vision använder överföringsinlärning. Överföringsinlärning är möjligheten att använda förkunskaper för att bättre lösa problemet. Som människor tar vi detta tillvägagångssätt för problemlösning hela tiden. Vi upptäcker nya sätt att göra det med datorer också.
I Custom Vision-tjänsten i Azure fungerar överföringsinlärning genom att lägga till ett lager som består av en förtränad modell i det neurala nätverket. Den tränade modellen ger oss ett försprång när vi tränar med nya data. Träningen börjar med en allmän kunskapsdomän. Nya lager läggs till i det neurala nätverket för att lösa ett specifikt problem. I det här fallet är problemet som ska lösas att identifiera fåglar. Genom att börja med en förtränad modell får vi bättre resultat utan att lägga till stora mängder data.
Så här skapar du en maskininlärningsmodell
Här är en stegvis översikt över processen för att bättre förstå processen med att skapa en maskininlärningsmodell. Vi slutför den här processen för att skapa en maskininlärningsmodell.
Ställ en pekande fråga. Vår fråga är, kan vi identifiera en fågels art från en bild av en fågel, för att hjälpa till att dokumentera olika trender och mönster av fågelvanor?
Förbereda data. Vi har en datamängd med fågelbilder från Cornell Lab som är ren och förberedd, så det här steget tas hand om. Om du har skapat en annan modell måste du hitta och förbereda data för att träna din modell. Du vill hitta data som hjälper dig att besvara den spetsiga fråga som du är intresserad av.
Välj en algoritm. Custom Vision-tjänsten i Azure använder ett CNN (Convolutional Neural Network), så vi behöver inte fundera på det här steget. Ett CNN är en typ av djupinlärning som ofta används för att analysera bilder. Att ha algoritmen klar sparar oss en massa tid!
Välj en kandidatmodell. Custom Vision-tjänsten ger oss användbara grafer och data för att hjälpa oss att avgöra om vår modell presterar tillräckligt bra för att besvara vår fråga. När vi tror att modellen presterar på en tillfredsställande nivå går vi vidare till nästa steg: test.
Testa modellen med hjälp av nya data. Det är viktigt att testa vår modell genom att lägga till nya data. Vi gör en internetsökning och hittar några testbilder för att se hur modellen presterar med data som den inte har tränats med. Senare i modulen ska vi diskutera varför det är viktigt att testa på det här sättet.
Distribuera modellen. Custom Vision ger oss några alternativ när det är dags att distribuera vår modell. Vi kan distribuera till en slutpunkt för att integrera modellen eller så kan vi ladda ned modellen. Om du laddar ned modellen kan du välja mellan flera format för att distribuera på det sätt som passar bäst för ditt projekt. I den här modulen går vi igenom hur du använder snabbdistributionsalternativet som är tillgängligt i Custom Vision-portalen.
Vi sätter igång med att skapa vår modell!