记录一下CSDN学院 百万人学AI第二场前瞻峰会
上午场的一些记录
Topic:
实战TensorFlow2.2-宠物识别模型训练与预测——彭靖田
Basic Knowledge
图像分类：
粗粒度分类->细粒度分类->实例级分类（打框，识别）
分类评估指标：
Top-1,Top-5 偏重于个例 ,
混淆矩阵（对角线分数越高越好，表示预测的类别就是真实的类别）
图像分类应用：
智能相册（识别-计算图像向量之间的相似度（余弦相似）），人脸限制：光照，自然光的影响；
以图搜图
瑕疵检测
Datasets
常用分类数据集:MNIST/Fashion-MNIST,CIFAR-10/CIFAR-100，ImageNet
重量级图像分类模型：
Alexnet->VGGNet->GoogLeNet->ResNet
AlexNet（ReLU的引入 缓解了梯度消失，层数->more than 10layer）
VGG-Net：module(fixed 3*3filter+ReLU)large amount of computation
GoogLeNet：Inception Module(1,3,5 filter)
human Top-5:5%
ResNet：ResNet50,ResNet-101，ResNet-152 residual-block 通过残差连接完成信息的跨层输入.恒等变换
SOTA Comparison
轻量级分类模型：
SqueezeNet,MobileNet,Xception：
SqueezeNet:
MobileNet：
深度可分离卷积 ->depthwise convolution+pointwise convolution
Xception:
实战项目
做了一个细粒度分类：husky vs golden retriever
train:20images test:5images
baseline_model:mobile_net->dense->dense
Total params: 3,754,690
Trainable params: 3,718,786
Non-trainable params: 35,904
安装了jupyter lab 看起来和jupyter notebook差不多诶。。
后来我改了一下，用的自己整理的图片做甲状腺和甲旁腺的HE染色病理图像的分类。做了个三分类，分别是：正常甲状腺、正常甲旁腺、甲旁腺亢进。
traing:30images per class
test:30images
Examples:
Training:
Test:
可以看到对甲状腺和甲旁腺还是很好区分的，但甲旁腺下的两个子类：正常甲旁腺和甲旁腺亢进，目前无法区分。
以及也可以看到在图像采集的时候，明显甲状腺和甲旁腺染色不一批存在较大差异，所以下一步打算测试灰度图试试看。
灰度图：对分类结果无影响
mobilenet->resnet50:分类性能下降了= =枯了= =