machine-learning - 需要回答一些与机器学习相关的问题吗？

Question

最近，我们计划构建一个图像处理系统，以从图像中提取信息。目前我们正在使用 AWS Rekognition 来做到这一点。但是，在某些情况下，我们无法从 AWS 获得准确的信息。因此，我们计划构建自己的定制产品。

我们有 4/5 个月的时间来完成这项工作。至少有 POC 版本。此外，我们还计划为此使用 Tensorflow。我们之前都没有机器学习和深度学习的经验，但已经拥有 5/6 年使用不同语言进行计算机编程的经验。

目前，我正在通过 Udemy 类(class)学习机器学习，我解决这个问题的方法是......

• 学习机器学习 (ML)
• 学习深度学习 (DL)
• 在 ML 和 DL 之上，也许我已经准备好理解整个事情，并且能够构建一个图像处理系统。

概括地说，我所理解的是，我必须使用 Tensorflow 在 Python 中编写一个深度学习程序。通过使用该程序，我必须构建一个模型。然后我必须使用一些训练数据来训练该模型。然后，当我的模型达到一定程度的准确性时，我将使用一些测试数据。

现在，有些地方我有点困惑，这是我关于这种困惑的问题......

1. 我知道 tensorflow 是一个库，但在某些地方，它也被称为一个系统。那么，它真的只是一个库(一段代码)以及更多的东西吗？

2. 我在 Tensorflow 教程部分 ( https://www.tensorflow.org/tutorials/image_recognition ) 中获得了一些图像处理 Python 代码。我们已经测试了该代码，它的工作方式与 AWS 识别服务的工作方式完全相同。所以，我的疑问是……我可以在我们的生产工作中使用这个 Python 代码吗？

3. 用一些训练数据训练模型后，这些训练数据是否会成为整个系统的一部分，或者机器学习模型从这些训练数据中提取一些 META 信息并保留完整的原始训练数据(在我的例子中它是将是原始图像)。

4. 我可以在 Linux 系统上进行所有这些 ML+DL 编程吗？它具有 Pentium 4 和 8GB RAM。

5. 另外，想知道...我提到的为我的问题构建解决方案的方法就足够了，否则我还需要做其他事情。

需要一些指导来消除所有这些困惑。

谢谢

Answer 1

1:tensor-flow就像我们处理过的其他任何东西一样(例如 Numpy )，但唯一的区别是我们必须首先定义我们想要使用的内容，使用它， tensor-flow 中的所有内容。正在运行一个计算图并评估该图中的所有内容都需要一个 Session ，我们可以将其称为库，因为它只是一段代码并在 python 中具有接口(interface)，而系统则因为它使用了所有这些机制

2: can I use this Python code as it is in our production work?为什么不呢!

3:是的，你可以用你的系统做到这一点，但是 tensorflow 和 theano 的主要优点，..像这样的工具是你可以在 GPU 上运行你的代码，它比在 CPU 上更快，因为 GPU 可以处理很多更多矩阵乘法之类的东西

4:您知道您不必学习所有机器学习知识来构建图像识别系统，您可能需要数年时间才能了解那里发生的事情，Udemy类(class)来源非常好，但是我强烈推荐你看coursera的机器学习类(class)，那里有关于机器学习的类(class):伟大的Andrew NG类(class)和Emily fox当然，第一个理论性多于实践性，但第二个更实用性，至于深度学习，深度学习并没有什么奇特之处，它只是机器学习中的一种方法，当你获得了一些机器学习的经验并了解了一些基础知识或者你知道可以做对后，请转到fast.ai ，它有一个非常好的关于编码器深度学习的类(class)，而且还是免费的

希望这对你有帮助