深度学习是机器学习的一个子集,机器学习是AI的一个子集,它是任何能够做到智能的计算机程序的总称。换句话说,所有机器学习都是AI,但并非所有AI都是机器学习,等等。

在之前的一个post,我们遇到了AWS深度学习,并使用AWS EC2深度学习AMI实例部署了多层感知器神经网络模型。在这篇文章中,我们可能会继续使用相同的实例或部署一个新实例。

CIFAR-10和CIFAR-100是8000万个微小图像数据集的标记子集。他们是由Alex Krizhevsky,Vinod Nair和Geoffrey Hinton收集的。

The CIFAR-10数据集由10个类中的60,000个32x32彩色图像组成,每个类有6000个图像。有50,000个训练图像和10,000个测试图像:

数据集分为五个训练批次和一个测试批次,每个批次有10,000个图像。测试批次包含来自每个类别的1000个随机选择的图像。训练批次以随机顺序包含剩余图像,但是一些训练批次可能包含来自一个类别的更多图像而不是另一个类别。在他们之间,培训批次包含来自每个班级的5000个图像。以下是使用图像数据集的一般方法:

在这篇文章中,我们将使用用于图像识别的剩余网络:

我们应该下载我们的Privat密钥并将其用于SSH到实例。

例如,为了允许,调整安全组非常重要

当我们连接时,它会向我们显示以下消息:

然后,我们将连接Jupyter Notebook:

我们应该运行此命令以获取笔记本的URL

然后,我们将使用Python3创建一个新的Notebook。

我们将代码粘贴到我们的笔记本中:

然后,我们将为数据定义超参数,将它们作为参数添加到解析中:

接下来,定义图像数据迭代器:

我们应该在每个时代之后保存模型。我们将使用实用函数_save_model来训练数据集。运行代码:

为了运行模型,我们将使用fit函数来调用模型。 add_fit_args函数添加fit函数所需的超参数。对于每个参数,代码中的用户都提供了帮助部分:

用于此模式的网络是使用import_module函数定义的。您将在此模式下使用残余神经网络(Resnet)。 Resnet的代码是:

拟合函数将在CIFAR-10数据集上训练您的模型。对于每个时期,显示了训练和验证准确性。此准确性也会记录到文件中。

我们可以绘制训练准确性和验证准确性与时期曲线:

通过训练卷积神经网络预测CIFAR10数据集上的图像,开始使用AWS深度学习