PaddlePaddle深度学习7日入门CV篇Summaries

PaddlePaddle深度学习7日入门CV篇|Summaries

一、什么是PaddleX？

依托飞桨开源深度学习框架和丰富的工具组件，PaddleX进行全流程的整合打通，为开发者提供飞桨全流程开发的最佳实践。它集飞桨核心框架、模型库、工具及组件等深度学习开发所需全部能力于一身，提供简明易懂的Python API，方便用户根据实际生产需求进行直接调用或二次开发，是提升深度学习项目开发效率的最佳辅助工具。

二、为什么要参加训练营

1. 由于一只蝙蝠，带来了漫长的网课，老师布置的任务时多时少，而自己在完成老师规定的任务后时间还比较充裕，想着不如来打卡营学习，提升一下自己
2. 由于自己前期有在学习python，训练营的内容与所学也挺配，算是一种在python编程上的进阶吧
3. 为以后参加人工智能比赛做准备，同时也对自己玩树莓派比较有帮助

三、训练营都学些什么

Day01 丁香园数据可视化

Day02 手势识别

Day03 车牌识别

Day04 口罩识别

Day05 Paddle hub 初体验

利用Paddle hub进行口罩识别

（改了好久，最后准确率还是崩了😭😭）

以及

人流密度检测比赛！！！

数据种类来源多样，采用框选和头部标点进行数据统计

采用使用高斯滤波变换生成密度图

# 使用高斯滤波变换生成密度图
def gaussian_filter_density(gt):
    #Generates a density map using Gaussian filter transformation
    # 初始化密度图
    density = np.zeros(gt.shape, dtype=np.float32)
    
    # 获取gt中不为0的元素的个数
    gt_count = np.count_nonzero(gt)
    
    # 如果gt全为0，就返回全0的密度图
    if gt_count == 0:
        return density

    # FInd out the K nearest neighbours using a KDTree
    
    pts = np.array(list(zip(np.nonzero(gt)[1].ravel(), np.nonzero(gt)[0].ravel())))
    
    # if gt_count > 0 and gt_count < 20: 
    
    # leafsize = 2048

    # # build kdtree
    # tree = scipy.spatial.KDTree(pts.copy(), leafsize=leafsize)

    # query kdtree
    # distances, locations = tree.query(pts, k=4)

    for i, pt in enumerate(pts):
        pt2d = np.zeros(gt.shape, dtype=np.float32)
        pt2d[pt[1],pt[0]] = 1.
        if gt_count > 1:
            # sigma = (distances[i][1]+distances[i][2]+distances[i][3])*0.1
            sigma = 25
        else:
            sigma = np.average(np.array(gt.shape))/2./2. #case: 1 point
        
        #Convolve with the gaussian filter
        
        density += scipy.ndimage.filters.gaussian_filter(pt2d, sigma, mode='constant')

    return density

进行网络配置（可以采用VGG-16 卷积神经网络）

def crowd_deconv_without_bn(img):
    x = img

    x = fluid.layers.conv2d(input=x, num_filters=64, filter_size=3, padding=1, act='relu')
    x = fluid.layers.batch_norm(input=x, act='relu')
    x = fluid.layers.conv2d(input=x, num_filters=64, filter_size=3, padding=1, act='relu')  
    print('3-64-2',x.shape)
    x = fluid.layers.pool2d(input=x, pool_size=2, pool_stride=2)  
    x = fluid.layers.dropout(x=x, dropout_prob=0.25)
    print('pool',x.shape)

    x = fluid.layers.conv2d(input=x, num_filters=128, filter_size=3, padding=1, act=None)  
    x = fluid.layers.batch_norm(input=x, act='relu')
    x = fluid.layers.conv2d(input=x, num_filters=128, filter_size=3, padding=1, act='relu') 
    print('3-128-2',x.shape)
    x = fluid.layers.pool2d(input=x, pool_size=2, pool_stride=2) 
    x = fluid.layers.dropout(x=x, dropout_prob=0.25)
    
    x = fluid.layers.conv2d(input=x, num_filters=256, filter_size=3, padding=1, act='relu') 
    x = fluid.layers.batch_norm(input=x, act='relu')
    x = fluid.layers.conv2d(input=x, num_filters=256, filter_size=3, padding=1, act=None) 
    x = fluid.layers.batch_norm(input=x, act='relu')
    x = fluid.layers.conv2d(input=x, num_filters=256, filter_size=3, padding=1, act='relu')  
    print('3-256-3',x.shape)
    x = fluid.layers.pool2d(input=x, pool_size=2, pool_stride=2)  
    x = fluid.layers.dropout(x=x, dropout_prob=0.5)
    
    # x = fluid.layers.conv2d(input=x, num_filters=512, filter_size=3, padding=1, act='relu')  
    # x = fluid.layers.conv2d(input=x, num_filters=512, filter_size=3, padding=1, act='relu')  
    # x = fluid.layers.conv2d(input=x, num_filters=512, filter_size=3, padding=1,act='relu' )  
    
    # x = fluid.layers.pool2d(input=x, pool_size=3, pool_stride=1, pool_padding=1) 
    # x = fluid.layers.pool2d(input=x, pool_size=2, pool_stride=2) 
    # x = fluid.layers.dropout(x=x, dropout_prob=0.5)

    x = fluid.layers.conv2d(input=x, num_filters=512, filter_size=3, padding=1, act='relu') 
    x = fluid.layers.dropout(x=x, dropout_prob=0.5)
    x = fluid.layers.conv2d(input=x, num_filters=512, filter_size=3, padding=1, act='relu') 
    x = fluid.layers.dropout(x=x, dropout_prob=0.5)
    x = fluid.layers.conv2d(input=x, num_filters=512, filter_size=3, padding=1)  
    x = fluid.layers.batch_norm(input=x, act=None)
    print('3-512-3',x.shape)
    # x = fluid.layers.pool2d(input=x, pool_size=3, pool_stride=2, pool_padding=1)  
    # x = fluid.layers.dropout(x=x, dropout_prob=0.5) 
    print('clowd_net output shape:',x.shape)

    return x

后面就是模型训练（基本上耗时最长的部分）、模型校验、参数调整（对于笔者这个小白来说最重要的）

俗话说，调参错，出出错（一个卷积核shape错误，或者一组权重错误，都可能导致你训练一上午的模型面临过拟合，甚至“瘫痪”）

Day06 paddleslim模型压缩

Day07 结营，公布比赛获奖名单，看大佬讲解模型

四、在训练营打卡的感受

1. 群里的小伙伴（有部分也不能称作小伙伴，毕竟都工作了😂）超级积极，学习氛围浓厚。有一位跟笔者经常讨论的大佬（前30名，笔者菜鸡0.2的错误率从78被挤到100开外）有一次通宵跑模型训练，一连工作15个小时
2. 另一方面来说，也是蛮累的，毕竟是在挤时间来调参、训练模型，gpu环境得要算力卡才能用，只有在晚上22：00后才可能抢得到gpu环境，不少老哥都是早上5点起床抢（有一说一，gpu上跑起来真的比cpu环境块多了，飞一般的感觉😍😍）
3. 群主和老师真的也很负责，批改作业，回答问题，不厌其烦，有时候班班也会用微信机器人的脚本
4. 难度有点大，对于小白来说不容易，各种vgg、cnn模型，全连接网络、神经卷积网络、各种优化模型。对于信心不足的同学来说，分分钟劝退✋✋✋😂
5. paddle平台上的api太多，短时间内不容易弄懂
6. 就七日的实践来看，内容确实有点多，涉及图像识别、物品分类、数据可视化、数据爬取等多个方面，七天学习只能算是开了个头，后面还需要慢慢消化
7. 感谢这段时间群里学习负责人

五、未来规划

1. 继续利用paddle平台学习
2. 强化自己的专业能力
3. 仅仅7天的学习只能是一种了解，后面还需要时间来消化这些模型，为自己所用
4. 读论文，复现论文模型

---

最后放上paddle平台链接，加油呀：

PaddleX官网地址：

点击这里进入

---

转载：https://blog.csdn.net/qq_45828448/article/details/105453280