我的深度学习之旅
我的深度学习之旅
原文：https://medium.com/hackernoon/my-journey-into-deep-learning-9104057a642f
当我第一次读到程序员实用深度学习时，我有点难以相信我能用 7 行代码训练一个神经网络。像大多数人一样，我有一个非常自然的反应。“搞什么鬼！？！那不可能！”
Vgg-16 learning about cats and dogs.
我在这里，第一堂课训练VGG-16已经进行了 10 分钟，这是一个卷积神经网络，对猫和狗的图像进行分类。这非常容易做到。事实上太容易了。
Okay, maybe we are getting too far ahead of ourselves.
在第一个时期有 98%的准确率，这是令人惊讶的准确。“亚伦，你是天生的。”是的，谢谢，但是我已经知道了。
我真的做了什么不寻常的事情吗？没有。在快速浏览了一下用于程序员实用深度学习的剩余代码附带的Vgg16类后，很明显vgg = Vgg16()正在初始化一个类的实例，该类混淆了创建神经网络模型的不太好的部分。
下面是一个例子:
def create(self):
model = self.model = Sequential()
model.add(
Lambda(vgg_preprocess,
input_shape=(3,224,224),
output_shape=(3,224,224))
) self.ConvBlock(2, 64)
self.ConvBlock(2, 128)
self.ConvBlock(3, 256)
self.ConvBlock(3, 512)
self.ConvBlock(3, 512) model.add(Flatten())
self.FCBlock()
self.FCBlock()
model.add(Dense(1000, activation='softmax')) fname = 'vgg16.h5'
model.load_weights(get_file(
fname,
self.FILE_PATH+fname,
cache_subdir='models'
))我不会假装我现在 100%知道这段代码的意思，但是根据我的理解，它正在初始化一个 Keras 顺序模型，然后定义该模型的输入、输出和隐藏层。它还将预训练的权重加载到模型中。
好吧，当谈到深度学习时，也许我对自己所谓的天赋撒谎了，但我确实用训练和验证数据微调并拟合了vgg模型。好吧，也许我也在撒谎…但这并不影响教我的电脑如何区分猫和狗的感觉有多棒！
出于好奇，我决定在来自 Kaggle 的狗对猫 Redux 数据集上运行这段代码。不可否认，我的第一次投稿做得不太好。如果我早三个月参加这个比赛，我的分数会在 1314 名已经在排行榜上的人中排名 1100 左右。看到我的验证准确率是 98%，我决定调查一下。
在花了两个小时揪我的头发后，我发现了这个讨厌的小家伙:
Log loss on kaggle.
Kaggle 使用这个函数对提交的内容进行排名。事实证明，在 Kaggle 上竞争时，当一个模特对一张照片是一只猫如此自信，以至于给它打了 0 分，这是一件坏事。这最终打破了 Kaggle 上的 LogLoss 函数，导致了我糟糕的分数。
那么我该如何让它变得更好呢？为什么不直接把 0 和 1 的极值分别强制为 0.02 和 0.98？砰。就这样，我从 1100 英镑到 500 英镑，进入了排行榜的前 50%。
好吧，你抓到我了。所以，也许我不得不依靠杰里米(教这门课的人)来认识到我过于自信的模型才是问题所在。细节细节。
总的来说，训练我的第一个 CNN 真的很有趣。迫不及待地想开始第 2 课！
