ai机器学习：Google全新AI实战课发布

ai机器学习：Google全新AI实战课发布Google觉得光学理论还不够，必须教你理论与实战相结合。这还不够。Google希望你是，而且还准备扶上马，再送一程。所以今天一早，大礼包又来了。今年春天，Google发布了机器学习速成课，英文简称MLCC。而且这套基本全程都有中文的课程，还是完全免费的。

安妮 岳排槐 发自 凹非寺

量子位 出品 | 公众号 QbitAI

如果你的心里只有一件事。

请问：是不是学习？

Google希望你是，而且还准备扶上马，再送一程。

所以今天一早，大礼包又来了。

手把手教你

今年春天，Google发布了机器学习速成课，英文简称MLCC。而且这套基本全程都有中文的课程，还是完全免费的。

这还不够。

Google觉得光学理论还不够，必须教你理论与实战相结合。

所谓：知行合一。

于是，Google发布了最新的一套课程：Machine Learning Practica（机器学习实践）。这套课程会示范Google如何在产品中使用机器学习。

课程地址在此：

https://developers.google.com/machine-learning/practica/

（.cn域名地址亲测可用）

与之前的课程不同，这套动手实践课程中，包括视频、文档和交互式编程练习。目前已经上线的第一课是图像分类。

在图像分类的实践课程中，可以学习Google如何开发利用最先进的图像分类模型，这也是Google相册背后的核心技术。

迄今为止，已有超过1万名Google员工利用这个实践课程来训练他们自己的图像分类器，最终实现可以识别照片中的猫猫狗狗。

课前准备

想要学习这套课程，也有一些基础要求。

主要是两点：

• 学过Google机器学习速成课，或者了解机器学习的基本概念
• 有不错的编程基础知识，以及有一些Python编程经验

这套实践课程使用了Keras API。以及课程中的编程练习，使用了Colab。使用Colab不要求之前有过Keras经验。

课程中代码基本可算是提供了逐步的解释。

目前这套实践课程只发布了图像分类一组，但Google表示更多的实践课程正在：肮！啧！味！

课程简介

在这个课程中，Google首先介绍了图像分类的基本原理，讲述了卷积神经网络（CNN）的构建，以及池化、全连接等概念。

然后，Google会引导你从头开始构建一个CNN网络，并且学习如何防止过拟合，以及利用训练模型进行特征提取和微调。

实践课程一共包括三组练习，分别是：

• Exercise 1: Build a Convnet for Cat-vs-Dog Classification
• 带你构建一个猫狗分类的卷积网络。
• Exercise 2: Preventing Overfitting
• 教你如何防止过拟合，改善提高CNN模型。
• Exercise 3: Feature Extraction and Fine-Tuning
• 教你如何通过特征提取和微调来使用Google的Inception v3模型，并为上面两个练习完成的分类器获取更好的准确性。

课程示范

量子位潜入这个课程内部，带回了第二个实践练习。在这堂课里，谷歌想教会大家在猫狗图像分类中，如何减少过拟合。大家感受一下——

练习2：减少过拟合

预计完成时间：30分钟

在本节练习中，我们将基于在练习1中创建的模型将猫狗分类，并通过一些策略减少过拟合：也就是数据增强（Data Augmentation）和正则化方法dropout，从而提高准确性。

和大象被关进冰箱一样，这得分四步走：

1. 通过对训练图像进行随机转换，来探索数据增强的玩法
2. 在我们数据处理的过程中应用数据增强
3. 在转换中加入dropout
4. 重新训练模型，评估损失和精确度

Let’s get started吧！

数据增强の探索

数据增强是减少视觉模型过拟合的基本方法了，因为我们手头的训练实例为数不多，为了充分利用，我们可通过一些随机的变换“增强”它们，对模型来说，这是不同的图像~

这可以通过在ImageDataGenerator实例读取的图像上增加一些随机转换来实现，比如：

1from keras.preprocessing.image import ImageDataGenerator 2 3datagen = ImageDataGenerator( 4 rotation_range=40 5 width_shift_range=0.2 6 height_shift_range=0.2 7 shear_range=0.2 8 zoom_range=0.2 9 horizontal_flip=True 10 fill_mode='nearest')

还有一些可用的选择：

• rotation_range是在0-180之间的一个值，可在此角度内随机旋转图片。
• width_shift和height_shift是个范围，指的总宽度或高度的一部分，图像可在此范围内垂直或水平随机转换。
• shear_range用于随机剪切。
• zoom_range用来随机缩放图片的。
• horizontal_flip用于水平随机翻转图像的一半。
• fill_mode是用来填充新创造的像素，在图像随机垂直或水平变换后可能用到

注意：此练习中使用的2000张图片摘自Kaggle上的“狗vs猫”数据集，包含25000张图片。为了节约训练时间，这里我们只用到其中的一个子集。

1!wget --no-check-certificate \ 2 https://storage.googleapis.com/mledu-datasets/cats_and_dogs_filtered.zip -O \ 3 /tmp/cats_and_dogs_filtered.zip

1import os 2import zipfile 3 4local_zip = '/tmp/cats_and_dogs_filtered.zip' 5zip_ref = zipfile.ZipFile(local_zip 'r') 6zip_ref.extractall('/tmp') 7zip_ref.close() 8 9base_dir = '/tmp/cats_and_dogs_filtered' 10train_dir = os.path.join(base_dir 'train') 11validation_dir = os.path.join(base_dir 'validation') 12 13# Directory with our training cat pictures 14train_cats_dir = os.path.join(train_dir 'cats') 15 16# Directory with our training dog pictures 17train_dogs_dir = os.path.join(train_dir 'dogs') 18 19# Directory with our validation cat pictures 20validation_cats_dir = os.path.join(validation_dir 'cats') 21 22# Directory with our validation dog pictures 23validation_dogs_dir = os.path.join(validation_dir 'dogs') 24 25train_cat_fnames = os.listdir(train_cats_dir) 26train_dog_fnames = os.listdir(train_dogs_dir)

接下来，我们将datagen转换应用到训练集里的猫咪图像，生成5个随机变量。这个单元需多运行几次，找到新批次中的随机变量。

1%matplotlib inline 2 3import matplotlib.pyplot as plt 4import matplotlib.image as mpimg 5 6from keras.preprocessing.image import array_to_img img_to_array load_img 7 8img_path = os.path.join(train_cats_dir train_cat_fnames[2]) 9img = load_img(img_path target_size=(150 150)) # this is a PIL image 10x = img_to_array(img) # Numpy array with shape (150 150 3) 11x = x.reshape((1 ) x.shape) # Numpy array with shape (1 150 150 3) 12 13# The .flow() command below generates batches of randomly transformed images 14# It will loop indefinitely so we need to `break` the loop at some point! 15i = 0 16for batch in datagen.flow(x batch_size=1): 17 plt.figure(i) 18 imgplot = plt.imshow(array_to_img(batch[0])) 19 i = 1 20 if i % 5 == 0: 21 break

在数据处理过程中应用数据增强

现在，将上述增强的数据应用到数据预处理配置中——

1# Adding rescale rotation_range width_shift_range height_shift_range 2# shear_range zoom_range and horizontal flip to our ImageDataGenerator 3train_datagen = ImageDataGenerator( 4 rescale=1./255 5 rotation_range=40 6 width_shift_range=0.2 7 height_shift_range=0.2 8 shear_range=0.2 9 zoom_range=0.2 10 horizontal_flip=True ) 11 12# Note that the validation data should not be augmented! 13test_datagen = ImageDataGenerator(rescale=1./255) 14 15# Flow training images in batches of 32 using train_datagen generator 16train_generator = train_datagen.flow_from_directory( 17 train_dir # This is the source directory for training images 18 target_size=(150 150) # All images will be resized to 150x150 19 batch_size=20 20 # Since we use binary_crossentropy loss we need binary labels 21 class_mode='binary') 22 23# Flow validation images in batches of 32 using test_datagen generator 24validation_generator = test_datagen.flow_from_directory( 25 validation_dir 26 target_size=(150 150) 27 batch_size=20 28 class_mode='binary')

神奇之处是，若用增强的数据来训练模型，则不会被认为是相同示例（虽然它们都是从一张图片上得到的）。不过模型眼中这些输入仍紧密相关的，所以还不足以完全消除过拟合。

加入Dropout

不过~还有另外一种流行的策略能减少过拟合，即dropout。

如果你想了解过拟合的基本概念，这里自卖自夸推荐两个之前免费课程中的相关介绍：

https://developers.google.com/machine-learning/crash-course/training-neural-networks/video-lecture

https://developers.google.com/machine-learning/crash-course/

我们从练习1重新配置我们的convnet架构，在最后的分类层前试图添加一些dropout。

1from keras.models import Model 2from keras import layers 3from keras.optimizers import RMSprop 4from keras import backend as K 5 6import tensorflow as tf 7 8# Configure the TF backend session 9tf_config = tf.ConfigProto( 10 gpu_options=tf.GPUOptions(allow_growth=True)) 11K.set_session(tf.Session(config=tf_config)) 12 13# Our input feature map is 150x150x3: 150x150 for the image pixels and 3 for 14# the three color channels: R G and B 15img_input = layers.Input(shape=(150 150 3)) 16 17# First convolution extracts 16 filters that are 3x3 18# Convolution is followed by max-pooling layer with a 2x2 window 19x = layers.Conv2D(16 3 activation='relu')(img_input) 20x = layers.MaxPooling2D(2)(x) 21 22# Second convolution extracts 32 filters that are 3x3 23# Convolution is followed by max-pooling layer with a 2x2 window 24x = layers.Conv2D(32 3 activation='relu')(x) 25x = layers.MaxPooling2D(2)(x) 26 27# Third convolution extracts 64 filters that are 3x3 28# Convolution is followed by max-pooling layer with a 2x2 window 29x = layers.Convolution2D(64 3 activation='relu')(x) 30x = layers.MaxPooling2D(2)(x) 31 32# Flatten feature map to a 1-dim tensor 33x = layers.Flatten()(x) 34 35# Create a fully connected layer with ReLU activation and 512 hidden units 36x = layers.Dense(512 activation='relu')(x) 37 38# Add a dropout rate of 0.5 39x = layers.Dropout(0.5)(x) 40 41# Create output layer with a single node and sigmoid activation 42output = layers.Dense(1 activation='sigmoid')(x) 43 44# Configure and compile the model 45model = Model(img_input output) 46model.compile(loss='binary_crossentropy' 47 optimizer=RMSprop(lr=0.001) 48 metrics=['acc'])

重新训练模型

随着数据的增加和dropout的填入，我们需要重新训练convnet模型。

这一次，我们训练全部的2000张图片，训练了30轮，并对验证了所有的1000个测试图像。

这可能需要几分钟的时间，检验一下你是否能自己编写代码了。

1# WRITE CODE TO TRAIN THE MODEL ON ALL 2000 IMAGES FOR 30 EPOCHS AND VALIDATE 2# ON ALL 1 000 TEST IMAGES

评估结果

接下来，我们用数据增强和dropout评估模型训练的结果。

1# Retrieve a list of accuracy results on training and test data 2# sets for each training epoch 3acc = history.history['acc'] 4val_acc = history.history['val_acc'] 5 6# Retrieve a list of list results on training and test data 7# sets for each training epoch 8loss = history.history['loss'] 9val_loss = history.history['val_loss'] 10 11# Get number of epochs 12epochs = range(len(acc)) 13 14# Plot training and validation accuracy per epoch 15plt.plot(epochs acc) 16plt.plot(epochs val_acc) 17plt.title('Training and validation accuracy') 18 19plt.figure() 20 21# Plot training and validation loss per epoch 22plt.plot(epochs loss) 23plt.plot(epochs val_loss) 24plt.title('Training and validation loss')

结果不错！模型已经不再过拟合。

事实上，从我们的训练资料来看，随着训练次数的增加，模型的准确度会达到80%!

清理

在运行练习3之前，我们还需要运行以下单元来释放kernel和空闲的内存资源：

1import os signal 2os.kill(os.getpid() signal.SIGKILL) One More Thing

不知道是不是忙中出错，Google这套全新的课程，在我们发稿的时候，遇到了一个尴尬的问题：练习课程无法访问。

你点击练习之后，原本应该是转入一个Colab页面，但是却把多数用户挡在一个这样的界面之上。如图：

链接地址：https://login.corp.google.com

这是啥？

其实，这就是大名鼎鼎的moma，一个Google内部的搜索工具。如果你是Google员工，就能登录访问，进入Google内网。

可能是因为这套实践课程，和MLCC一样，也是之前面向Google内部的课程，所以出现了现在略微尴尬的一幕。

估计，可能很快会修复这个问题。

所以你可以先看看上面量子位搬运的课程示范。

不急~

— 完 —

诚挚招聘

量子位正在招募编辑/记者，工作地点在北京中关村。期待有才气、有热情的同学加入我们！相关细节，请在量子位公众号(QbitAI)对话界面，回复“招聘”两个字。

量子位 QbitAI · 头条号签约作者

վ'ᴗ' ի 追踪AI技术和产品新动态