铜灵 编译整理
量子位 出品
谁说深度学习任务都是步骤复杂、高深难懂的？
其实，小白也可以轻易上手，还能做出好玩有用的作品。
最近，工程师Nidhin Pattaniyil和Reshama Shaikh写了一篇从零开始构建网页&App版食物识别AI的教程，有数据、有教程、有Demo，简洁好懂，赢得了大批推特网友点赞。
连fast.ai创始人、Kaggle前主席及首席科学家Jeremy Howard都点赞推荐：
以下来看详细步骤：
热身运动
先大致了解下这次的任务，就用深度学习的方法分别在网页和手机端构建食物图像分类器。
学完这个项目，你将get以下技能：
用fastai库训练一个给食物照片分类的深度学习模型
用Heroku和Flask将这个模型部署到网页和移动端
这篇教程共分为三部分，目录如下：
第一部分：训练分类器
第二部分：将模型部署到网页端
第三部分：将模型部署到移动端
不多说了，下面正式开始具体讲解具体步骤。
训练分类器
要构建这样一个好玩的应用，需要先获取模型权重文件，你可以在任何深度学习库中获取，两位作者小哥用到的是fastai库。
打开下面这个GitHub repo，里面Jupyter Notebook中的代码可以帮你训练模型。
地址：
https://github.com/npatta01/web-deep-learning-classifier
此外，还需要准备模型训练的相关软件，两位小哥用的是：
fastai: version 1.0.42
PyTorch: version 1.0.0
Python: version 3.6
1.0版本的深度学习fastai库是可用的，需要在PyTorch上运行。如果对fastai的操作不熟悉，这有一套fastai课程可以学习：
https://docs.fast.ai/
我们用到的数据是在谷歌云平台上进行检索和分析的，当然你可以随意选择云平台（亚马逊、Paperspce）等等都可以。
在fastai上可以找到安装GPU工作环境的操作指导，这个项目中两位小哥用到的设备是英伟达Tesla P100和100GB的硬盘。
小哥还推荐了一个好玩的食物分类数据集：Food-101。
Food-101数据集中包含了101种类别的食物，共有101k（也就是101000）张图像，每个类别中有1000张图片，其中250张是测试图像，750张是训练图像。
不过需要注意，这个数据集中的训练图像是不干净的，还包含了一些噪音数据，有一些标签是错误的。
在这个数据集中，所有的图像都被重新调整了大小，最大边长为512像素。数据集共5GB大小，可以用下面的代码进行检索：
用下面的代码块打开tar.gz文件：
软硬件准备齐全，数据集也配好了，下面可以开始训练了。小哥用Resnet-34 CNN架构开始训练模型，在谷歌云平台上的运行时间约一个小时。
训练模型的代码可以在下面这个地址中找到：
https://github.com/npatta01/web-deep-learning-classifier
用ImageDataBunch读取这些图像：
这些数据已经在resnet34上预训练过了，现在只需要直接运行确定最佳学习率。
在这个案例中，当学习率=0.01时运行情况最好：
研究人员还运行了更多复杂的架构，考虑到数据有101种类别和GPU的处理时间及存储条件，他们最终选定的是一个简单的Resnet34架构。
然后，用0.01的学习率进行了8次迭代，错误率减小到了28.9%。
然后，小哥解冻了最后几层网络，寻找新的学习率。
5次迭代后，错误率从28.9%减小到28.1%。
混淆矩阵显示，以下类别的食物经常被错误分类：
输出深度学习模型
输出这个深度学习模型时还伴随着一个权重文件，即model.pth (或final.pth)。如果你按照这个教程来训练的话，模型的存储位置在models代码块中。
final.pth文件可以从Jupyter中下载到你的电脑中。
model.pth文件可能太大了放不进git commit中，这里有一些处理方法：
1、存储在google drive中
2、存储在GitHub releases中
3、存储在云端的bucket中
这两位外国小哥将他们的模型存储在了GitHub releases中，地址：
https://github.com/npatta01/web-deep-learning-classifier/releases
在网页端部署
模型训练完毕，现在终于可以开始部署阶段了。小哥把这个repo当成模板：
https://github.com/npatta01/web-deep-learning-classifier
并将分类器算法model.pth的输出作为Heroku app的输入。
需要进行的文件更新
如果要运行这个网页端应用，还得先进行以下操作：
1、在src/config.yaml文件中更新这些内容：
title
description
about
code
sampleImages
2、把docs/2_heroku_app.md文件中的应用名改成APP_NAME=”food-img-classifier。
安装Heroku
如果你没有Heroku的账户，先去注册（ www.heroku.com）。
记得在你的代码中，更新APP_NAME：
注意：如果在15分钟内没有任何操作，Heroku将暂停运行，当再次唤醒网页端应用时，Heroku会被再次唤醒。
在移动端部署模型
先送上repo地址：
https://github.com/npatta01/mobile-deep-learning-classifier
需要进行的文件更新
如果要在手机上运行这个应用，需要进行如下操作：
在 config.js文件中，更新下面的代码块：
AppConfig
update the title
point host to the heroku app url
description
小哥还放上了手机端食物分类应用的Demo，地址：
https://www.youtube.com/watch?reload=9&v=7d2qFLeYvRc
成本预计
最后，小哥预计了完成这些操作所需要的经济成本，包括：
1、Apple store开发者账号注册费用：100美元
2、安卓Google Play注册费用：30美元
好了~详细教程就介绍到这了，可以开始动手了。
传送门
教程原文：
https://reshamas.github.io/deploying-deep-learning-models-on-web-and-mobile/
网页版Demo地址：
https://food-img-classifier.herokuapp.com/
iOS版Demo地址：
https://itunes.apple.com/us/app/food-classifier/id1445356461?mt=8
安卓版Demo地址：
https://play.google.com/store/apps/details?id=com.rsnp.foodclassifier
作者系网易新闻·网易号“各有态度”签约作者
— 完 —
共同学习，写下你的评论
评论加载中...
作者其他优质文章
