深度學習初體驗： 人工智慧圖片識別實作

日期：	2018/05/26
講師：	洪朝貴

一、 課程目標/課程簡介

本課程帶領學員以一個遷移學習 (transfer learning) 的實作範例來認識人工智慧/深度學習技術。 U. C. Berkeley 的 BVLC (現在改名叫做 BAIR) 所撰寫的人工智慧引擎 caffe 有一個現成、 已訓練好的 bvlc_reference_caffenet 類神經網路模型。 餵一張圖片給它吃， 它會判斷這屬於 (一千種已知類別當中的) 哪一種圖片。 我們拿來來改訓練成 (五到八種) 水果圖片判斷器。

課程後半則試用街道圖片語義分割、 黑白相片著色、 t-SNE 高維度數值資料視覺化、 撞臉偵測器等等現成 (已訓練好) 的 AI 模型。 最後以 「不求甚解工程師的人工智慧學習」 作為結語。

二、 環境安裝準備

本課程採用的環境是 ubuntu 及 docker。 訓練用的圖片資料取自 imagenet 資料庫當中超連結所指到的圖片。 環境準備的步驟詳見： 「電腦教室準備工作」。 這篇是給電腦教室管理員， 或是想要自架相同環境的學員看的。 其他學員可略過。

三、 活動流程

時間	大綱
9:00-10:30	不求甚解工程師的人工智慧學習捷徑地圖 / 簡報版 linux 新手看著檔案總管截圖快學基本指令 很犯規的 caffe 初體驗： 省略訓練直接跳到影像辨識 參考 fruit.svg 建立圖片類別索引檔 按照類別下載 ImageNet 訓練圖片的一小部分
10:40-12:10	到 floydhub 租用雲端 GPU 玩人工智慧 Caffe 遷移學習範例： 分辨猿類相片 (但我們改做水果)
	午餐 (水果拍照？)
13:30-15:00	把彩色相片變成黑白、 幫黑白相片上色 街道圖片 semantic segmentation 語義分割實作
15:10-16:40	資料科學/機器學習的好用入門工具 t-SNE 幫你看見高維度數值資料 face_recognition + t-sne-lab = 撞臉偵測器 從 「為賣而學」 轉向 「為用而學」 [長線投資的電腦學習策略 2016 版]

四、 附錄

1. 遷移學習指令全記錄
2. ImageNet 所有圖檔類別的 wordnet 定義
3. wordnet 名詞從屬關係繪圖
4. floydhub 上的成功範例