AI人工智能這幾年作為科技界的熱門話題被媒體宣傳的如火如荼。在這種氛圍之下，身為創(chuàng)客的我們怎能錯過展現(xiàn)好點(diǎn)子落地的大好時機(jī)呢？接下來就為大家介紹如何取得及應(yīng)用免費(fèi)的AI實(shí)驗(yàn)場域資源「Google Colaboratory」。

Google免費(fèi)GPU資源Colaboratory

大家都說要玩AI先得準(zhǔn)備個很貴的高級顯卡及服務(wù)器才能跑得動，對于想入門練練手的人實(shí)在有點(diǎn)花不下去，就像想學(xué)開車的人不會先買一臺法拉利，而是先去教練場學(xué)到一定程度后，再考慮一下預(yù)算及需求后才會依用途去買合適的跑車、房車、貨車、代步車甚至是二手車。

現(xiàn)在阮囊羞澀的各位有福了，Google旗下的實(shí)驗(yàn)計(jì)劃Colaboratory （以下簡寫為Colab）提供了免費(fèi)的NVIDIA K80等級GPU資源及虛擬機(jī)（Xeon 2．2GHz CPU＊2）供大家使用，其中整合了Linux （Ubuntu）環(huán)境、Python、Jupyter notebook及TensorFlow等常用套件包，并允許大家安裝執(zhí)行時所需套件包（如Keras、 OpenCV、PyTorch、MxNet、XGBoost等），只要有Google云端硬盤賬號就可免費(fèi)使用。

Google Colaboratory

當(dāng)然不可避免地，這項(xiàng)免費(fèi)資源并非毫無使用限制的，所提供的虛擬服務(wù)器，目前只提供至少50G儲存空間和12GB（可用于訓(xùn)練約2GB）的內(nèi)存，使用時間僅可連續(xù)12小時（包含安裝軟件套件包、數(shù)據(jù)下載到虛擬機(jī)及訓(xùn)練時間）。超過時間便會清掉使用中內(nèi)容，有時還會因使用者過多造成連不上線或用到一半斷線，并不適合用在太大的模型及數(shù)據(jù)集訓(xùn)練。

話雖如此，整體來說還是很方便家中沒有Linux ＋ Python環(huán)境或計(jì)算機(jī)（筆電）CPU等級太低或沒有獨(dú)立顯卡的人及想學(xué)習(xí)人工智能的新手練習(xí)使用。

何謂影像二元分類

在知名HBO影集「硅谷群瞎傳」第四季的第四集當(dāng)中有個有趣的橋段，華人楊靖發(fā)明一款可拍照后辨識食物類型的APP叫「See Food」，展示時第一次拍熱狗成功辨識，眾人歡呼開始想象滿桌子的食物若都能辨識出來的話，這款A(yù)PP肯定大賣。接著再拍了披薩后眾人等著APP回答「披薩」，可是APP卻回答「不是熱狗（Not Hotdog）」，眾人瞬間傻眼，「這只能辨識熱狗嗎？」楊靖回答：「是」，眾人大失所望、一哄而散。

然而，故事還沒完呢！竟有一家創(chuàng)投看上這個APP，要他改成偵測色情圖片中男生的小丁丁，這就是標(biāo)準(zhǔn)的「失之東隅，收之桑榆」。

雖然上面橋段的「Not Hotdog」只是虛構(gòu)劇情，但現(xiàn)實(shí)中還真的人有把它實(shí)現(xiàn)出來，有興趣的人可到Apple APP Store下載Not Hotdog 。從上面故事中我們可得知影像分類的重要性，雖然影像二元分類（是或不是）的用途較窄些，但若能大量（數(shù)千到數(shù)百萬張）標(biāo)注影像的分類，經(jīng)過訓(xùn)練后可令影像精準(zhǔn)地分類，那就有可能產(chǎn)生一些獨(dú)特的商機(jī)。

Not Hotdog APP屏幕擷圖

用Colab實(shí)現(xiàn)影像二元分類

為了讓大家能快速上手，在此整理了一段完整的代碼并有詳盡的原理解說及批注，只要依著下列步驟就可快速建構(gòu)出一個二元分類的影像分類系統(tǒng)，當(dāng)然也包括如何用自定義的數(shù)據(jù)集進(jìn)行訓(xùn)練及推論。代碼主要包括以下四個主要步驟，另外還有更進(jìn)一步的細(xì)節(jié)說明，如下所示。

1． 取得及建構(gòu)訓(xùn)練數(shù)據(jù)（TrainingDataset）

下載數(shù)據(jù)集

數(shù)據(jù)集解壓縮

檢視數(shù)據(jù)集

自定義數(shù)據(jù)集及掛載

2． 建構(gòu)一小型深度學(xué)習(xí)模型（TrainingModel）

卷積網(wǎng)絡(luò)模型

輸入圖像尺寸正規(guī)化

模型架構(gòu)及訓(xùn)練參數(shù)說明

模型配置及訓(xùn)練優(yōu)化設(shè)定

數(shù)據(jù)預(yù)處理

3． 訓(xùn)練及驗(yàn)證模型準(zhǔn)確度（ValidationAccuracy）

訓(xùn)練及驗(yàn)證模型

評估模型的準(zhǔn)確性和損失

4． 應(yīng)用深度學(xué)習(xí)訓(xùn)練成果進(jìn)行推論（Inference）

推論

可視化表示

了解了相范例的學(xué)習(xí)目標(biāo)后，可以至https：／／goo．gl／SqigfE下載image＿classification．ipynb 到您的Google云端硬盤，雙擊后選擇以「Colaboratory」開啟，就可以開始享受Colab提供的免費(fèi)GPU運(yùn)算信息。執(zhí)行時，請按【Shift＋Enter】進(jìn)行單步執(zhí)行并自動跳至下一行；若想一次全部運(yùn)行本范例所有代碼，可按【Ctrl＋F9】。接下來就簡單為大家介紹主要步驟的工作內(nèi)容。