在想要訓(xùn)練一個(gè)能區(qū)分蘋(píng)果和香蕉的模型,你需要搜索一些蘋(píng)果和香蕉的圖片,將這些圖片放在一起構(gòu)成訓(xùn)練數(shù)據(jù)集(Training Dataset),訓(xùn)練數(shù)據(jù)集是有標(biāo)簽的,蘋(píng)果圖片的標(biāo)簽是蘋(píng)果,香蕉圖片的標(biāo)簽是香蕉。

通過(guò)對(duì)初始的神經(jīng)網(wǎng)絡(luò)參數(shù)不斷地優(yōu)化來(lái)讓模型變得更準(zhǔn)確。可能開(kāi)始對(duì)于20張?zhí)O果的照片,只有10張被判斷為蘋(píng)果,對(duì)另外10張沒(méi)有做出正確判斷,這時(shí)可以通過(guò)優(yōu)化參數(shù)讓神經(jīng)網(wǎng)絡(luò)對(duì)20張圖片都做出正確判斷,這個(gè)過(guò)程就是訓(xùn)練過(guò)程。訓(xùn)練后的模型能對(duì)訓(xùn)練數(shù)據(jù)集中所有蘋(píng)果圖片準(zhǔn)確地加以識(shí)別,但是我們的期望是它可以對(duì)以前沒(méi)看過(guò)的圖片進(jìn)行正確識(shí)別。

重新拍一張?zhí)O果的圖片讓神經(jīng)網(wǎng)絡(luò)判斷時(shí),這種圖片叫作現(xiàn)場(chǎng)數(shù)據(jù)(Live Data),如果神經(jīng)網(wǎng)絡(luò)對(duì)現(xiàn)場(chǎng)數(shù)據(jù)識(shí)別的準(zhǔn)確率非常高,就證明你的網(wǎng)絡(luò)訓(xùn)練是非常成功的。我們把用訓(xùn)練好的模型識(shí)別新圖片的過(guò)程稱(chēng)為推理。圖中給出了深度學(xué)習(xí)中訓(xùn)練和推理的關(guān)系。

訓(xùn)練是利用已有數(shù)據(jù)進(jìn)行學(xué)習(xí)的過(guò)程,對(duì)計(jì)算的精度要求較高,會(huì)直接影響推理的準(zhǔn)確度。而推理是在新的輸入數(shù)據(jù)下,應(yīng)用訓(xùn)練形成的模型完成特定的任務(wù),如圖像識(shí)別、自然語(yǔ)言處理等,通常數(shù)據(jù)量會(huì)比訓(xùn)練小很多,可以放到移動(dòng)終端設(shè)備上進(jìn)行。

這又涉及一個(gè)概念-—部署(Deployment)。把一個(gè)訓(xùn)練好的模型應(yīng)用起來(lái),使它能夠在移動(dòng)終端上運(yùn)行推理,這個(gè)過(guò)程就稱(chēng)為部署。

審核編輯黃宇