21｜持续精进：如何在机器学习领域中找准前进的方向？

作者回复: 知行合一

作者回复: 谢谢你一路上的分享和对课程的认可。“实用主义”——这正是我设计这个课程的出发点。对于工具的使用者而言，了解了工具的强大，是用好它的前提，对吧。🚵🏼‍♀️

作者回复: 嗯

作者回复: 谢谢鼓励。 数据量极大的机器学习场景，我个人的理解（不一定十分准确）： 1. 首先是GPU，生产环境和实验室环境都是用GPU进行模型的训练。 2. 对大数据的处理，这涉及分布式计算，可能需要学习Hadoop和Spark，这方面我知识和经验有限。 3. 云计算，目前很多企业采用在AWS上面运行机器学习算法，这样，你只需聚焦于机器学习模型本身，可以不必过分关注云服务器中的分布式计算是如何具体实现的。云服务能够自动根据业务数据的量来进行autoscaling。——AWS中也提供专门的机器学习认证支持。

作者回复: 非常抱歉我回答你的问题太迟了，但是，你的问题非常好，其实在计算机视觉领域，确实有一些通用的、预先训练好的模型，它们可以应用于各种各样的任务，包括图像分类和物体识别。大多数的这类模型基于深度学习，特别是卷积神经网络（CNN）。 你提到的图像分类和物体识别，这两个概念是有一些差异的，但在很多场合下是可以相互交换使用的： 图像分类是指确定一张图片的主要内容是什么，即将图片分配到预定义的类别中的一个。比如一张图片中可能有一只猫，那么这张图片的类别就是“猫”。 物体识别或者说物体检测，更复杂一些。它不仅要识别出图片中有哪些对象，还要确定它们的具体位置。比如一张图片中可能有一只猫和一只狗，物体识别要做到的是既能识别出猫和狗这两个对象，还能告诉你猫和狗各自在图片中的哪个位置。 对于图像分类，许多著名的预训练模型，如VGG16，VGG19，ResNet，Inception等，已经被训练在大型的图像数据集（如ImageNet）上，并在许多深度学习库（如TensorFlow，PyTorch等）中提供。这些模型可以直接用于图像分类，也可以用于迁移学习，即在预训练模型的基础上，微调一部分层以适应特定任务。 对于物体识别，也有许多预训练的模型，如Faster R-CNN，YOLO（You Only Look Once），SSD（Single Shot MultiBox Detector）等。这些模型在识别对象和定位对象方面都很有效。 至于你说的通用图像识别程序或智能相册的需求，确实已经有一些公司或者开源项目在做了。比如谷歌的Photos应用就可以根据图像内容对照片进行分类。对于开源项目，可以查看TensorFlow的图像分类模型库或者物体识别模型库，都有很多现成的模型可以使用。对于你链接中的第三个项目，ImageAI是一个易于使用的库，可以使用预训练的模型进行图像分类和物体识别。 然后，你提到为什么没有一个通用的应用库，这个其实有两个原因： 需求多样性：不同的应用可能有不同的需求。比如在智能相册中，你可能关心的是图像的主题（比如“山水”，“动物”，“建筑”等），而在自动驾驶系统中，你可能更关心的是识别出道路上的其他车辆，行人，交通信号等。所以很难有一个模型可以满足所有的需求。 训练数据的问题：虽然我们有一些大型的图像数据集，如ImageNet，但这些数据集可能不能覆盖所有的情况。比如在一些特定的任务中，可能需要更专门的数据集来训练模型。所以在很多情况下，需要根据特定的任务来训练或微调模型。 希望我的回答能帮助你理解这个问题。如果你有任何其他的问题，也欢迎随时提问。