TensorFlow-Lernmethode für Profis der freien Künste und Python-Anfänger

Der Autor, ein Literaturarbeiter und Anfänger in Python, lernte TensorFlow ungefähr 3 Monate lang. Ich werde die Lernmethode, die Zeit und die Punkte aufschreiben, über die nachgedacht werden soll, in der Hoffnung, dass sie für diejenigen hilfreich sind, die von nun an lernen.

Zusammenfassung

Die folgende Tabelle zeigt die TensorFlow-Lernzusammenfassung.

Kurzer Kommentar

Es dauerte ungefähr dreimal so lange, wie ich es mir vorgestellt hatte, aber verschiedene Dinge waren aus meinen Augen ** sehr interessant **. Ich habe das Gefühl, ein Lehrling des TensorFlow-Ingenieurs zu werden. Ich habe jedoch auch das Gefühl, dass ich gerade den tiefen und wirklich oberflächlichen Teil gelernt habe. Es gibt viele Dinge, die ich über die interne Verarbeitung nicht verstehe, und ich kann nicht einmal die Grundlagen verstehen, geschweige denn anwenden. Um ehrlich zu sein, ich habe keine Ahnung, wie viel Zeit es dauern wird, bis ich stolz darauf bin, ein Profi zu sein ... Andererseits ist es wirklich erstaunlich, dass TensorFlow Deep Learning auch in einem solchen Zustand mit dem ursprünglichen Thema implementieren kann. Ich glaube, es ist. Auch Anaconda war nüchtern und hilfsbereit.

Lernzweck

Ich verwende in meiner aktuellen und jüngsten Arbeit nicht einmal maschinelles Lernen, geschweige denn Deep Learning und KI, aber ich habe mit dem starken Wunsch gelernt, in Zukunft etwas zu tun. Ich hatte auch das starke Gefühl, dass es "interessant" sein würde.

Gesamtstudienzeit

Die Aufteilung von 134 Stunden, was der gesamten Lernzeit entspricht, ist wie folgt. Wenn Sie Erfahrung mit Python haben, sollten Sie es auf etwa 2/3 komprimieren können. Es hat lange gedauert, weil ich beim Überprüfen grundlegender Befehle wie IF-Anweisungen gelernt habe. Ich habe einfach nicht genug Zeit zum Lernen. Ich habe es geschafft, etwas Zeit zwischen Arbeit und Hausarbeit / Kinderbetreuung zu bekommen.

Verwendete Unterrichtsmaterialien

Verwenden Sie keine Bücher, [[Lassen Sie uns in 4 Tagen erleben! ] Ich habe nur die Grundlagen in Einführung in Deep Learning mit TensorFlow x Python 3 gelernt. Es ist sehr leicht zu verstehen und die Kostenleistung ist gut (es waren ungefähr 1500 Yen in der Kampagne). Danach habe ich aus den Tutorials auf der offiziellen Website und den entsprechenden Online-Artikeln gelernt. Schließlich habe ich das Buch seitdem nicht mehr gelesen, daher habe ich keine Ahnung, ob ich das Einführungsbuch zuerst hätte lesen sollen. Ich kann nur sagen, dass es nicht wesentlich war.

Lernmethode

Ich habe in der folgenden Reihenfolge gelernt.

1. Umweltvorbereitung (ca. 4 Stunden)

[Erfahrung in 4 Tagen! ] Die Einführung von Deep Learning mit TensorFlow x Python 3 enthielt den Inhalt der Umgebungsvorbereitung, daher habe ich ihn installiert, während ich mich darauf bezog. Ich habe Anaconda installiert und TensorFlow in meiner virtuellen Umgebung. ** Zum Glück war es einfach ohne Fehler. ** **.

• TensorFlow unter Windows Easy für Python-Anfänger installieren
• Offizielle Website: Installation von TensorFlow unter Windows

2. TensorFlow-Tutorial für Anfänger mit MNIST (ca. 10 Stunden)

[[Erfahrung in 4 Tagen! ] In Einführung in Deep Learning mit TensorFlow x Python 3 gab es denselben Kursinhalt, daher habe ich ihn verstanden und implementiert, während ich mich darauf bezog. Udemy hatte jedoch nicht den Inhalt von Offizielle Website: Erste Schritte mit TensorFlow, also [Offizielle Website: MNIST für ML-Anfänger](https: // Ich habe es danach gemacht (www.tensorflow.org/get_started/mnist/beginners). Das Gegenteil ist effizienter. Ich war wirklich froh, dass ich Mathematik studiert hatte, um die Softmax-Funktion zu verstehen (obwohl ich sie auch auf der Mathematikstufe der Mittelstufe grob verstehen sollte). Ehrlich gesagt ist dieses Tutorial-Level ** nicht allzu schwierig ** (obwohl ich es überspringe, ohne die Methode des Gradientenabstiegs zu verstehen ...). Ich habe Deep Learning hier ein wenig verachtet.

• [Erklärung für Anfänger] Grundlegende Syntax und Konzept von TensorFlow
• Offizielle Website: Erste Schritte mit TensorFlow
• [Erklärung für Anfänger] TensorFlow-Tutorial MNIST (für Anfänger)
• [Offizielle Seite: MNIST für ML-Anfänger] (https://www.tensorflow.org/get_started/mnist/beginners)

3. TensorFlow-Tutorial für Experten mit MNIST (ca. 36 Stunden)

** Es war schwierig und ich stolperte über Verständnis. ** Dieses Tutorial ist auch [[Erfahrung in 4 Tagen! ] In Einführung in Deep Learning mit TensorFlow x Python 3 gab es denselben Kursinhalt, daher habe ich ihn verstanden und implementiert, während ich mich darauf bezog. Dank des Inhalts des Kurses konnte ich viel Zeit sparen, aber der Inhalt des Kurses allein ist überwiegend unzureichend, um verstanden zu werden. Um es zu verstehen, habe ich im Internet verschiedene Suchanfragen durchgeführt, es gelesen und ausprobiert (ich fand es besonders hilfreich Link. % E7% 90% 86% E6% A6% 82% E8% A6% 81% E3% 82% 92% E5% B0% 91% E3% 81% 97% E8% A9% B3% E7% B4% B0% E5 Beschrieben in% 8C% 96)). Wie auch immer, ich habe viel gelernt und wenn ich den Inhalt verstanden habe, während ich ihn in Qiita zusammengefasst habe, habe ich 7 Artikel geschrieben. Besonders ** TensorBoard ist wichtig **, da es ein sehr nützliches Werkzeug zum Verständnis von TensorFlow ist.

• [Erklärung für Anfänger] TensorFlow-Tutorial Deep MNIST
• Offizielle Website: Deep MNIST for Experts
• Matplotlib installieren und Grafik in Jupyter Notebook anzeigen
• TensorFlow API-Memo
• [Einführung in TensorBoard] Visualisieren Sie die TensorFlow-Verarbeitung, um das Verständnis zu vertiefen
• TensorFlow-Tutorial MNIST (für Anfänger) mit TensorBoard visualisiert
• Offizielle Website: TensorBoard: Visualisierung des Lernens
• [Erklärung für Anfänger] Einführung in die Faltungsverarbeitung (erklärt in TensorFlow)
• [Erklärung für Anfänger] Einführung in die Pooling-Verarbeitung (erklärt in TensorFlow)

4. Spielen Sie mit der Bilderkennung (ca. 2 Stunden)

Einführung in Deep Learning mit TensorFlow x Python 3 hatte ebenfalls den gleichen Kursinhalt, daher habe ich ihn implementiert, während ich mich darauf bezog. Ich verstehe den Code oder die Verarbeitung jedoch nicht, sondern führe das Programm nur mit den auf Github gelernten Parametern aus. ** Ein Gefühl der Entspannung und des Spielens. ** **. Der Code ist jedoch wichtig und sollte bei der zukünftigen Erkennung von Bildern sehr hilfreich sein.

• Anfänger spielten problemlos mit der Bilderkennung von TensorFlow
• Offizielle Website: Bilderkennung

5. Stilkonvertierung (ca. 2 Stunden)

In ähnlicher Weise hatte Einführung in Deep Learning mit TensorFlow x Python 3 denselben Kursinhalt, sodass ich ihn implementiert habe, während ich mich darauf bezog. Ich verstehe den Code oder die Verarbeitung jedoch nicht, sondern führe das Programm nur mit den auf Github gelernten Parametern aus. ** Ein Gefühl der Entspannung und des Spielens. ** **.

• Anfänger konnten problemlos mit der Bildstilkonvertierung von TensorFlow spielen
• GitHub

6. OpenCV (ca. 29 Stunden)

Es unterscheidet sich von TensorFlow, aber ich habe gelernt, Bilder im Netz zu sammeln und Gesichter zu erkennen. Ich bin überrascht, dass dies kostenlos ist. Ich habe eine Weile gebraucht, um den Algorithmus zur Gesichtserkennung zu verstehen. Und wir machen verschiedene Versuche und Fehler, um eine große Anzahl von Bildern zu erkennen. Wenn ich Zeit hatte, wollte ich es mit Azure Face API vergleichen.

• OpenCV 3.3 und Python 3.6 unter Windows 10 mit Anaconda installieren
• [Erklärung für Anfänger] openCV-Gesichtserkennungsmechanismus und -praxis (detectMultiScale)
• Geben Sie Parameter für die Gesichtserkennung in openCV an, um die Erkennungsgenauigkeit schnell zu verbessern
• Gesicht aus mehreren Bilddateien mit openCV erkennen und ausschneiden und speichern
• Tipps zum effizienten Erkennen einer großen Anzahl von Bildern mit openCV

7. Bing Image Search API (ca. 11 Stunden)

Es unterscheidet sich von TensorFlow, aber ich habe es gelernt, um Bilder im Internet zu sammeln. Es ist nur ein API-Aufruf **, also habe ich nicht so viel Zeit verbracht. Trotzdem dauerte es 11 Stunden, weil ich keine Python-Erfahrung hatte ... Und ich wollte eine große Anzahl von Bildern aus einem Suchbegriff sammeln, konnte aber aufgrund der API-Spezifikationen nicht mehr als 1000 sammeln. ([Link](http://qiita.com/FukuharaYohei/items/6d0aefb16dd78eb03a08#%E3%82%84%E3%82%8A%E3%81%9F%E3%81%8B%E3%81% A3% E3% 81% 9F% E3% 81% 91% E3% 81% A9% E5% AE% 9F% E7% 8F% BE% E3% 81% A7% E3% 81% 8D% E3% 81% AA% Siehe E3% 81% 8B% E3% 81% A3% E3% 81% 9F% E3% 81% 93% E3% 81% A8)). Wenn ich Zeit hatte, wollte ich es mit der benutzerdefinierten Google-Suche usw. vergleichen.

• Rufen Sie die Bing Image Search API v5 von Python auf, um Bilder zu sammeln

8. Yuki Kashiwagi Gesichtsuntersuchung (ca. 41 Stunden)

Ich habe es mit dem ursprünglichen Thema als Zusammenfassung von 3 Monaten gemacht. Ich habe kein Lieblingsidol oder keine Lieblings-Anime-Figur, also habe ich versucht herauszufinden, wie TensorFlow Gesichtszüge als Studie extrahiert. Bisher war die Codierung im Tutorial nur haarig, aber schließlich konnte ich an einem etwas originelleren Code arbeiten. ** Der Prozess des Verstehens des internen Mechanismus ist interessant **.

• [Einführung in TensorBoard: image] TensorFlow Visualisieren Sie die Bildverarbeitung, um das Verständnis zu vertiefen
• Yuki Kashiwagis Gesichtszüge zum Verständnis von TensorFlow [Teil 1]
• Yuki Kashiwagis Gesichtszüge zum Verständnis von TensorFlow [Teil 2]
• Yuki Kashiwagis Gesichtszüge zum Verständnis von TensorFlow [Teil 2]

9. TensorBoard-Projektor (ca. 2 Stunden)

Ich hatte ein halbherziges Gefühl und lernte, während ich dort war. Ich mag, wie cool es aussieht, so ehrlich, es ist ein Bonuslevel.

• [Einführung in TensorBoard: Projector] Lassen Sie die TensorFlow-Verarbeitung cool aussehen

Was ich in Zukunft machen möchte

Ich möchte verschiedene Dinge tun, wie z. B. NLP (Natural Language Processing) und die Genauigkeit der Bilderkennung verbessern. Ich habe mich jedoch nicht entschieden, was ich tun soll, da die Zeit begrenzt ist. Eines Tages möchte ich die Serie "Ich habe die Gesichtszüge von Yuki Kashiwagi untersucht, um Tensor Flow zu verstehen" rächen.