基于深度学习的人工智能近年来非常流行。说到人工智能，我觉得高大上，似乎和常人相去甚远，更别提训练一个自定义模型了。嗯，我不知道什么是模型，为什么要定制？好吧，你可以想象模型是一个一开始什么都不懂的人，用教材（或样本）来教他，他就可以学会识别不同的物体。使用不同的材料（样本）可以教给不同的人。至于为什么要定制，有两个原因：专业领域需要更细化的分类。例如，在常见对象样本上训练的模型可能能够识别数千个常见对象。它可以区分苹果和梨，但不太可能区分好苹果和坏苹果。深度学习模型非常敏感，背景、颜色、光线、角度、模糊等细微变化都可能导致识别率下降或失败。可以识别数千个对象的通用模型对于特定对象识别通常不是很有用。今天，笔者将介绍一种无需编程即可训练深度学习自定义模型的方法。为了吸引眼球，今天我们要训练一个可以区分美女和野兽的模型。在训练之前，我们首先需要收集相应的样本。美图好收藏，在百度或谷歌上点击图片，输入关键词“美图”，有很多：然后点击浏览器的文件->另存为，可以保存整个HTML，包括图片（在子目录中）。比较麻烦的是野兽的图片。输入关键字“野兽”，通常搜索“美女与野兽”剧照或卡通形象。没办法，我们就折衷一下，搜索“虎”、“狮”、“豹”、“狼”、“野兽”五个关键词。我们找到的图片都被归类为野生动物，用于训练。最后我们保存的目录结构如下：通常每个类别200张左右的图片最适合我们。我们这里只是演示。已下载美女类图片约60张，兽类图片约200张。好了，我们的图片已经收集好了，现在我们需要删除子目录下的所有非jpg文件，以便后面选择和上传图片。接下来，我们就可以上传图片，开始模型训练了。在浏览器中打开http://www.ai1to1.com并点击登录。如果您没有帐户，请先注册一个帐户。等等，有人会问，这到底是个什么网站？为什么不用百度AI？他们也有自定义模型培训。答案是ai1to1是我自己开发的，:)我觉得比百度好，关键是从入库到训练、识别，完全不用编程。..前往网站主页了解详情。有人说你不丢人！看到这里，希望管理员不要以为这是广告而删除这篇文章，因为往下看，确实有干货。:)言归正传，我们登录ai1to1，首先需要创建一个项目：这里最重要的是“创建类别”，创建2个类别，因为我们只有美女和野兽两个类别。类别分别为0和1。然后我们进入图片管理上传图片，需要分别选择项目和类别上传：大部分人可能都知道，在选择文件的时候，CTRL+A可以选择所有目录下的文件，或者选择的时候按住CTRL键with鼠标，您可以单独选择文件。这里我们上传漂亮的图片到类别0，其他图片上传到类别1。请记住这个对应关系，因为服务器后面识别的时候只会返回index0或者1。上传完成后，我们就可以开始训练了：首先启动trainServer（点击对应的'Go'），得到response：{"ret":"OK","error":""}然后开始train，得到响应：{"ret":"OK"}查看训练进度：{"stopped":false,"loss":0.07083519548177719,"trainSeconds":36.359,"error":"","re??t":"OK"}等待损失稳定在0.001以下，我们可以停止训练（点击停止trainServer）：{"stopped":false,"loss":0.0008496259688399732,"trainSeconds":655.577,"error":"","ret":"OK"}一共训练了大约10分钟。好了，我们完成了训练，现在进入最激动人心的检测阶段。先“启动detectServer”得到响应：{“ret”：“OK”，“error”：“”}然后“通过网页识别”输入上一个截图中的projectid和servicekey：这时候我们从百度图片开始，搜索一张之前没见过的美女图片，上传，点击Identify，得到response:timecost:882ms,result:{"balance":1998,"topList":[{"index":0,"probability":0.924784779548645},{"index":1,"probability":0.07402833551168442}],"error":""}记得我们之前说过的，0代表美女，1代表野兽。这里的美女识别概率高达92%，可见这个定制模型还是相当不错的。:)我在屏幕截图中保留了projectid:17和servicekey:1bc6c6bb-f19a-4d97-b810-70c5d53eb524。你也可以上传一张美女或野兽的图片来测试一下这个自定义模型好用吗？当然，您也可以注册一个账号，定制属于您自己的车型，而且是免费的！有人说，如果我上传一张男人的照片呢？好吧，我不知道，因为只有两个类别，图片肯定会被识别为其中之一。具体是美女还是野兽，要看容貌。哈哈哈。..
