本帖最后由 geren2014 于 2019-3-8 14:15 编辑
TLDR; 本系列是基于检测以下现实生活代码记录中复杂策略的工作。该系列的代码可以在这里找到。
第1部分：AI计算机视觉革命
计算机视觉的最新发展已经改变了计算机视觉领域。许多曾经被认为只能在科幻中使用的场景最近已经变得像使用API一样简单。 例如，仅在四年前，以下漫画出现在XKCD上。 XKCD 2014年9月24日
早在2014年，对于普通开发人员而言，进行基本的图像分类能力被认为近乎于科幻小说。仅仅三年之后，我们不仅可以确定图片是否包括鸟类，我们还可以告诉你鸟的种类，这只鸟在图片中的位置，并实时追踪鸟类的迁徙模式。
实际上，并非每个计算机视觉问题都与鸟类、花卉、猫和狗有关。
在本系列中，我们将回顾用于零售业的现实生活中的计算机视觉用例，并将比较和对比一些用于解决这个问题的不同方法和技术。 一年多以前，微软与中欧和东欧的一家大型糖果产品制造商合作，建立了一个机器学习模型，用于验证经销商是否正确地存放巧克力。我们合作的公司拥有遍布14个国家的大型连锁超市分销网络。每个经销商都要根据标准政策在其展台上摆放巧克力。每一项政策都描述了给定巧克力应该放在什么架子上，以及应该按什么顺序存放。
执行这些政策的“常规”审计活动需要巨大的成本。我们的合作伙伴希望开发一个系统，在这个系统中，审核员或商店经理可以拍照，并立即得知货架是否正确存放，如上图所示。 即使采用最先进的方法，这也是一项具有挑战性的工作，原因包括：
模型很容易看出这里面没有巧克力
尽管上图中右边一些错误存放的商品是显然“与规则不相符”的，并且很容易分类。但其他一些，例如下面这种“不相符”是更微妙的情况，更难以正确分类。
图像识别模型很难知道这个图像没有巧克力
系列挑战在本系列中，我们将构建一个类似于上述场景的复杂策略分类器。要有效存储图像，必须按以下顺序存储。
在左边我们有一个有效的图像，右侧我们有一个无效的图像
这个问题的潜在技术解决方案
Microsoft提供了一系列可用于解决计算机视觉任务的人工智能服务，每个解决方案都可以在Azure上运行。
认知服务
Azure 数据科学虚拟机 与 机器学习服务
数据科学虚拟机是在Azure上的虚拟机镜像。它已经安装和配置了许多流行的数据科学和深度学习工具。这些镜像带有流行的数据科学和机器学习工具，包括Microsoft R Server Developer Edition，Microsoft R Open，Anaconda Python，Julia，Jupyter notebooks，Visual Studio Code，RStudio，xgboost等等。您可以通过配置DSVM（数据科学虚拟机），而不是自行创建一个类似的工作区，从而节省大量的安装，配置和包管理过程。部署了DSVM后，就可以立即开始数据科学项目的工作。
Azure 机器学习服务使您能够更快地构建和训练机器学习模型，并轻松地部署到云。使用最新的开源技术，如TensorFlow，PyTorch或Jupyter。在本地进行实验，然后在云上使用支持GPU的大型集群快速扩展。通过自动化机器学习和超参数调整对数据科学进行加速。使用集成的CI/CD工具跟踪您的实验、管理模型并轻松部署。
深度学习框架与Keras
通常，深度学习工程师不会手动实现矩阵代数运算。相反，他们使用PyTorch或TensorFlow等框架。Keras是一个用Python编写的开源神经网络库。它能够运行在TensorFlow，Microsoft Cognitive Toolkit或Theano之上。它旨在实现对深层神经网络的快速实验，着重于用户友好、模块化和可扩展性。--维基百科 在以下系列中，我们将探讨其中一些技术和体系结构，以解决我们自己的复杂策略分类方案。
系列目标在这个系列的最后，你应该
资源
关于作者Aaron（Ari）Bornstein是一位狂热的人工智能爱好者，对历史充满热情，致力于新技术和计算医学。作为微软云开发者倡导团队的开源工程师，他与以色列高科技社区合作，通过改变游戏规则的技术解决现实世界的问题，然后将其记录下来，开源并与世界其他地方共享。
翻译 chesc 来源 AI研习社
| 
发表于 2019-3-8 14:14:50
/2 
