Méthode d'apprentissage TensorFlow pour les professionnels des arts libéraux et les débutants en Python

L'auteur, qui est un travailleur des arts libéraux et un débutant en Python, a appris TensorFlow pendant environ 3 mois. J'écrirai la méthode d'apprentissage, le temps et les points sur lesquels réfléchir, en espérant que cela sera utile pour ceux qui apprennent désormais.

Résumé

Le tableau ci-dessous présente le résumé de l'apprentissage TensorFlow.

Petit commentaire

Cela a pris environ trois fois plus de temps que je l'imaginais, mais diverses choses étaient ** très intéressantes ** à mes yeux. J'ai l'impression d'être devenu un apprenti au niveau de l'ingénieur TensorFlow. Cependant, je sens aussi que je viens d'apprendre la partie profonde et vraiment superficielle. Il y a beaucoup de choses que je ne comprends pas sur le traitement interne, et je ne peux même pas comprendre les bases, encore moins l'appliquer. Pour être honnête, je n'ai aucune idée du temps qu'il faudra pour atteindre un niveau où je peux être fier d'être un professionnel ... D'un autre côté, c'est vraiment incroyable que TensorFlow puisse implémenter le Deep Learning avec le thème original même dans un tel état. Je pense que c'est. De plus, Anaconda était sobre et serviable.

Objectif d'apprentissage

Je n'utilise même pas l'apprentissage automatique, encore moins le Deep Learning et l'IA, dans mon travail actuel et récent, mais j'ai appris avec un fort désir de faire quelque chose dans le futur. J'avais aussi un fort sentiment que ce serait "intéressant".

Temps d'étude total

La répartition de 134 heures, qui est le temps total d'étude, est comme ça. Si vous avez de l'expérience avec Python, vous devriez avoir pu le compresser aux 2/3 environ. Cela a pris beaucoup de temps car j'ai appris en vérifiant les commandes de base telles que les instructions IF. Je n'ai tout simplement pas assez de temps pour apprendre. J'ai réussi à obtenir du temps entre le travail et les travaux de ménage / garde d'enfants.

Matériel pédagogique utilisé

N'utilisez aucun livre, [[Faisons l'expérience en 4 jours! ] J'ai appris les bases uniquement dans Introduction au Deep Learning avec TensorFlow x Python 3. C'est très facile à comprendre et la rentabilité est bonne (c'était environ 1500 yens dans la campagne). Après cela, j'ai appris des tutoriels sur le site officiel et des articles en ligne, le cas échéant. Après tout, je n'ai pas lu le livre depuis, donc je ne sais pas si j'aurais dû lire le livre d'introduction en premier. Je peux seulement dire que ce n'était pas essentiel.

Méthode d'apprentissage

J'ai appris dans l'ordre suivant.

1. Préparation environnementale (environ 4 heures)

[Expérience en 4 jours! ] Introduction au deep learning avec TensorFlow x Python 3 avait le contenu de la préparation de l'environnement, je l'ai donc installé en y faisant référence. J'ai Anaconda installé et j'ai TensorFlow dans mon environnement virtuel. ** Heureusement, c'était facile sans aucune erreur. ** **

• Installer TensorFlow sur Windows Easy pour les débutants Python
• Site officiel: Installation de TensorFlow sous Windows

2. Tutoriel TensorFlow pour les débutants utilisant MNIST (environ 10 heures)

[[Expérience en 4 jours! ] Il y avait le même contenu de cours dans Introduction au Deep Learning avec TensorFlow x Python 3, donc je l'ai compris et implémenté en y faisant référence. Cependant, Udemy n'avait pas le contenu du Site officiel: Premiers pas avec TensorFlow, donc [Site officiel: MNIST For ML Beginners](https: // Je l'ai fait après (www.tensorflow.org/get_started/mnist/beginners). Le contraire est plus efficace. J'étais vraiment content d'avoir étudié les mathématiques pour comprendre la fonction Softmax (même si je devrais être capable de la comprendre à peu près même au niveau des mathématiques du premier cycle du secondaire). Honnêtement, ce niveau de tutoriel n'est ** pas trop difficile ** (même si je le saute sans comprendre la méthode de descente de gradient ...). J'ai un peu méprisé le Deep Learning ici.

• [Explication pour les débutants] Syntaxe et concept de base de TensorFlow
• Site officiel: Premiers pas avec TensorFlow
• [Explication pour les débutants] Tutoriel TensorFlow MNIST (pour les débutants)
• [Site officiel: MNIST pour les débutants en ML] (https://www.tensorflow.org/get_started/mnist/beginners)

3. Tutoriel TensorFlow pour les experts utilisant MNIST (environ 36 heures)

** C'était difficile et je suis tombé sur la compréhension. ** Ce tutoriel est également [[Expérience en 4 jours! ] Il y avait le même contenu de cours dans Introduction au Deep Learning avec TensorFlow x Python 3, donc je l'ai compris et implémenté en y faisant référence. Grâce au contenu du cours, j'ai pu gagner beaucoup de temps, mais le contenu du cours à lui seul est extrêmement insuffisant pour être compris. Afin de le comprendre, j'ai cherché diversement sur le net, lu et essayé (je l'ai trouvé particulièrement utile [lien](http://qiita.com/FukuharaYohei/items/0aef74a0411273705512#%E5%87%A6] % 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 Décrit en% 8C% 96)). Bref, j'ai beaucoup appris, et si j'en comprenais le contenu en les résumant dans Qiita, j'écrivais 7 articles. Surtout ** TensorBoard est important ** car c'est un outil très utile pour comprendre TensorFlow.

• [Explication pour les débutants] Tutoriel TensorFlow Deep MNIST
• Site officiel: Deep MNIST for Experts
• Installer matplotlib et afficher le graphique dans Jupyter Notebook
• Mémo API TensorFlow
• [Introduction à TensorBoard] Visualisez le traitement TensorFlow pour approfondir la compréhension
• Tutoriel TensorFlow MNIST (pour les débutants) visualisé avec TensorBoard
• Site officiel: TensorBoard: Visualizing Learning
• [Explication pour les débutants] Introduction au traitement de convolution (expliqué dans TensorFlow)
• [Explication pour les débutants] Introduction au traitement du pool (expliqué dans TensorFlow)

4. Jouez avec la reconnaissance d'image (environ 2 heures)

Introduction au Deep Learning avec TensorFlow x Python 3 avait également le même contenu de cours, donc je l'ai implémenté en y faisant référence. Cependant, je ne comprends pas le code ou le traitement, j'exécute simplement le programme en utilisant les paramètres appris sur Github. ** Une sensation de détente et de jeu. ** ** Cependant, le code est important et devrait être très utile lors de la reconnaissance des images à l'avenir.

• Les débutants ont essayé de jouer facilement avec la reconnaissance d'image de TensorFlow
• Site officiel: Image Recognition

5. Conversion de style (environ 2 heures)

De même, Introduction au Deep Learning avec TensorFlow x Python 3 avait également le même contenu de cours, je l'ai donc implémenté en y faisant référence. Cependant, je ne comprends pas le code ou le traitement, j'exécute simplement le programme en utilisant les paramètres appris sur Github. ** Une sensation de détente et de jeu. ** **

• Les débutants ont facilement joué avec la conversion de style d'image de TensorFlow
• GitHub

6. OpenCV (environ 29 heures)

C'est différent de TensorFlow, mais je l'ai appris pour collecter des images sur le net et détecter des visages. Je suis surpris que cela soit gratuit. Il m'a fallu un certain temps pour comprendre l'algorithme de détection des visages. Et nous faisons divers essais et erreurs pour détecter un grand nombre d'images. Si j'avais le temps, je voulais le comparer avec Azure Face API.

• Installer OpenCV 3.3 et Python 3.6 sur Windows 10 avec Anaconda
• [Explication pour les débutants] Mécanisme et pratique de détection de visage openCV (detectMultiScale)
• Spécifiez les paramètres de détection de visage dans openCV pour améliorer rapidement la précision de détection
• Détecter le visage de plusieurs fichiers image avec openCV et découper et enregistrer
• Conseils pour détecter efficacement un grand nombre d'images avec openCV

7. API Bing Image Search (environ 11 heures)

C'est différent de TensorFlow, mais je l'ai appris pour collecter des images sur le net. C'est juste un appel API **, donc je n'ai pas passé beaucoup de temps. Même ainsi, cela a pris 11 heures à cause de mon manque d'expérience Python ... Et je voulais collecter un grand nombre d'images à partir d'un terme de recherche, mais je ne pouvais pas en collecter plus de 1000 à cause des spécifications de l'API. ([Lien](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% Voir E3% 81% 8B% E3% 81% A3% E3% 81% 9F% E3% 81% 93% E3% 81% A8)). Si j'avais le temps, je voulais le comparer avec la recherche personnalisée Google et ainsi de suite.

• Appelez l'API Bing Image Search v5 depuis Python pour collecter des images

8. Enquête sur les traits du visage de Yuki Kashiwagi (environ 41 heures)

Je l'ai fait avec le thème original en résumé de 3 mois. Je n'ai pas d'idole ou de personnage d'anime préféré, alors j'ai essayé de découvrir comment TensorFlow extrait les traits du visage à titre d'étude. Jusqu'à présent, le codage n'était que velu dans le tutoriel, mais j'ai finalement pu travailler sur un code un peu plus original. ** Le processus de compréhension du mécanisme interne est intéressant **.

• [Introduction à TensorBoard: image] TensorFlow Visualisez le traitement d'image pour approfondir la compréhension
• Les traits du visage de Yuki Kashiwagi pour comprendre TensorFlow [Partie 1]
• Les traits du visage de Yuki Kashiwagi pour comprendre TensorFlow [Partie 2]
• Les traits du visage de Yuki Kashiwagi pour comprendre TensorFlow [Partie 2]

9. Projecteur TensorBoard (environ 2 heures)

J'avais un sentiment de demi-cœur et j'ai appris pendant que j'étais là-bas. J'aime à quel point ça a l'air cool, alors honnêtement, c'est un niveau bonus.

• [Introduction à TensorBoard: Projecteur] Rendre le traitement TensorFlow cool

Ce que je veux faire dans le futur

Je veux faire diverses choses telles que la PNL (traitement du langage naturel) et améliorer la précision de la reconnaissance d'image. Cependant, je n'ai pas décidé quoi faire car le temps est limité. Un jour, j'aimerais venger la série "J'ai examiné les traits du visage de Yuki Kashiwagi pour comprendre Tensor Flow."