課程介紹

本課程是一個完整的項目實戰(zhàn)課程，從項目調(diào)研開始到項目最終上線，完整的復現(xiàn)了基于深度學習的實戰(zhàn)項目的流程。

本課程系列文章具有很強的工程性質(zhì)，同時內(nèi)容追求循序漸進，建議從頭開始學習。

• 第 01~02 課，將講述如何調(diào)研一個項目，如何獲取數(shù)據(jù)與整理數(shù)據(jù)。
• 第 03~05 課，將介紹 Linux、圖像、Python 等開源包，以及神經(jīng)網(wǎng)絡的基礎(chǔ)知識，為接下來的項目做準備。
• 第 06~08 課，將介紹目前 3 大用戶量最大的深度學習開源平臺，將講述準備數(shù)據(jù)、定義網(wǎng)絡、訓練模型、使用模型測試自己的圖片的整個流程。
• 第 09~11 課，將集中講解如何訓練模型并進行迭代優(yōu)化。
• 第 12~14 課，我們將把訓練出來的模型部署到微信小程序上，同時介紹小程序的前、后端的基礎(chǔ)技術(shù)。

認真學完這個系列文章之后，將會深入理解一個基于深度學習的項目是如何從一個想法變?yōu)橐粋€真正產(chǎn)品的。對于欲轉(zhuǎn)行的人來說，它提供了一個完整的學習鏈，學習完之后將直接具有從事該行業(yè)的基本能力。對于已經(jīng)是相關(guān)從業(yè)人員來說，可以作為一個知識和經(jīng)驗的補充。

專家推薦

本課程是基于深度學習的圖像項目開發(fā)實踐課程。作者提供了一個非常完整的從深度學習理論、實踐到工業(yè)級生產(chǎn)的鏈條。既有基礎(chǔ)的代碼與圖像知識，深度學習入門理論、基于 Python 的幾大主流開源框架的使用；又有實際項目開發(fā)中調(diào)研立項，從需求分析到實際業(yè)務模型的訓練與迭代，最終到模型部署、小程序的前后端開發(fā)。本課程非常適合深度學習初學者作為入門，也適用于需要進一步鞏固深度學習技能的從業(yè)者，十分推薦！

—— 陳強，360 人工智能研究院科學家

作者介紹

龍鵬，6 年計算機視覺項目從業(yè)經(jīng)驗，華中科技大學本科，中國科學院碩士，原 360 圖像搜索，人工智能研究院算法工程師，今陌陌深度學習實驗室算法工程師，擁有個人技術(shù)公眾號《與有三學 AI》，曾在 GitChat 開設(shè)過《AI 程序員碼說攝影圖像基礎(chǔ)》課程。

參與過圖像增強降噪、自動駕駛、視頻內(nèi)容分析、人臉表情與 Parsing 等項目，并熟悉傳統(tǒng)圖像處理算法基礎(chǔ)知識，擁有豐富的基于機器學習的計算機視覺項目經(jīng)驗。

課程內(nèi)容

導讀：致想入坑深度學習的你

從混了幾年到遇見深度學習

2011 年暑假，濕熱的武漢校園里，華科電子系里的前 15 名同學正在廝殺 13 個保外的名額，雖然單論裸成績和加上加分后的成績的話，我不會掉隊，但是，在當時的十幾個人中，大部分人仍然會覺得這個有很大的變數(shù)。到什么地步呢？舉一個例子，擁有計算機網(wǎng)絡這個證書到底是按照往年一樣加 1 分？還是按照當年新規(guī)加 0.5 分？大家在輔導員面前多次爭執(zhí)。第一名和第十名的加權(quán)分差好像都沒有超過 0.5 分的，所以這一點區(qū)別有多大，大家可以想象一下。

為此，每晚回宿舍都會有最新消息傳回來，我很苦惱，所以在 8 月份的時候，趕上了中科院物理所夏令營的晚班車。

十幾天的夏令營很爽，匆匆參觀了幾十個研究所，高端到紫金山天文臺、正負電子對撞機等，聽北航物理系專業(yè)的同學整天說：優(yōu)秀的人才必須先留本校，所有有很多想出來的人考試故意放水等。然后，在參觀后來就讀的半導體所時，淋了一場大雨，當時以為北京每年還是會下很多次雨的。

那個時候我曾經(jīng)有另一個選擇，即自動化所劉成林老師組。來北京之前郵件聯(lián)系過，后來在劉老師辦公室也聊了很久，只可惜夏令營回去之后，保外的競爭仍然由于額外增加專業(yè)考試的存在而沒有結(jié)束，以至于誤了自動化所的面試。后來被問面試結(jié)果如何時，實在無臉答問。

沒想到的是，保外最終以所有人的勝利結(jié)束了，折騰了幾個月后，跟著系里以前的師兄，選擇了中科院半導體研究所，畢竟自己是微電子專業(yè)，這也算是本行了吧。

然后到了實驗室做畢設(shè)，師兄拼湊了一臺 512 M 內(nèi)存的電腦，開始用 Xilinx 和 Matlab 做畢業(yè)設(shè)計，寫 Verilog 代碼，以前沒有學拍照，照片也沒保存下來，就只有下圖為證了。

每天的業(yè)余生活就是打球打球打球，然后混到了碩士畢業(yè)。

剛?cè)胙芯克牡谝荒暧懈邷丶?#xff0c;幾乎所有同學都回家度過了那兩個星期的高溫假，我跟另一個哥們兒留下來學習。把數(shù)字圖像處理和 C++ Prime 認真看了一遍，算是入門了。直到 2015 年畢業(yè)，陸陸續(xù)續(xù)意識到深度學習的興起，在外聽百度 IDL 的一些人的演講，也沒有正兒八經(jīng)的做過深度學習的項目。碩士論文寫了 130 多頁，從圖像降噪到分割，從 Guided Filter 到去霧算法，到 Level Set、Grab Cut，全部都是傳統(tǒng)的圖像算法。畢業(yè)后還有好幾個人問之前發(fā)的一篇改進 Guided Filter 的文章，不得不感嘆，何凱明真不是一般人。

畢業(yè)后進入 360 圖像組，我們組和顏水成老師手下的一批學生一起組建成了最開始的 360 AI 研究院，開始從自動駕駛、輔助駕駛做到美顏相關(guān)的項目，才算是真正入了行業(yè)前沿。在 360 的日子是很苦澀的，兩年住的地方都離公司不超過 50 米，但是環(huán)境不是 5 戶的隔斷、就是 7 平米的小臥室，從生活上來說，毫無質(zhì)量可言。

但是，加班的生活使我淡定了很多，沒有學校里那么浮躁了，顏老師偶爾遞過來給大家喝的雞湯，也還受用，熏陶了一段時間之后，因為尋求更合適的生活而離開了。

如果讀書的時候，我更加努力，遇到更對的方向和優(yōu)秀的人，那么今天一定會更好，相信學習完這套課程內(nèi)容后，你不會后悔。

我眼中的深度學習

現(xiàn)在應該有一部分讀者并不懂圖像算法，只了解深層神經(jīng)網(wǎng)絡的調(diào)參，我覺得這是錯誤的。遇到真正有挑戰(zhàn)的問題，需要用傳統(tǒng)方法輔助解決的時候，一定會黔驢技窮。所以，建議大家趁早夯實自己的圖像基礎(chǔ)和傳統(tǒng)機器學習算法基礎(chǔ)。

這些年大大小小做了不少項目，對于深度學習這個工具多少有了一些體會。本系列課程主要面向的對象是想快速入行的朋友。

為什么深度學習這么火

6年前的時候，我?guī)е鴮嶒炇規(guī)熃愫蛶熋?#xff0c;參加中科院的一個植物識別比賽。

那個時候，誰也沒有深度學習經(jīng)驗，也沒有多少機器學習的基礎(chǔ)，神經(jīng)網(wǎng)絡玩的也不好，所以我們的思路是什么呢？用一些方法把植物主體提取出來，然后提取各種顏色特征、形狀特征、紋理特征輸入分類器。到最后，大家積極性并不高，比賽都沒有完成。

如果回到今天，這是一個再簡單不過的分類問題了。

深度學習之所以這么火，就是因為它的技術(shù)成熟了，它能讓某些問題得到很輕松、成熟的解決。

從刷臉支付到虐遍人間的 Alpha 狗，都是技術(shù)發(fā)展的產(chǎn)物，所以它該火，因為它做到了上一代技術(shù)做不到的事情。

深度學習是什么，很難學嗎

深度學習是什么？我這里只說它的一個方向，深層卷積神經(jīng)網(wǎng)絡，這是圖像處理領(lǐng)域所說的深度學習，后面說深度學習就指代這個了。它的本質(zhì)是神經(jīng)網(wǎng)絡，不是本世紀出來的新技術(shù)，只是有了一些新技巧的加入，關(guān)于這個問題，我們以后再詳細說。

那么深度學習難學嗎？

當然難學，不然為什么做這一行的工資那么高、人才這么稀缺。但是，如果你把深度學習只當作一個調(diào)參工作來說，它不難學，一個高中生經(jīng)過 3 個月的培訓，足夠了。那么，深度學習難在哪里？

對所要解決的問題的理解

傳統(tǒng)方法解決問題的思路，是先拎出來一個任務，然后針對這個任務設(shè)計圖像特征。在這個過程中，我們不可避免的會去簡化問題，去針對不同的數(shù)據(jù)來源、想不同的方案。而深度學習這個黑盒子，淡化了這個過程，每個人尤其是新手，以為丟進去一批數(shù)據(jù)之后，就能得到想要的結(jié)果，而實際上幾乎不可能。

要想做好一個項目，需要知道應該準備什么樣的數(shù)據(jù)、準備多少數(shù)據(jù)，不同來源的數(shù)據(jù)怎么使用，怎么確定哪些數(shù)據(jù)是高質(zhì)量、哪些是低質(zhì)量的。比如室內(nèi)的數(shù)據(jù)和室外的數(shù)據(jù)，前置攝像頭和后置攝像頭的數(shù)據(jù)對于一個任務來說是不是有差異。

需要知道什么時候該簡化問題，比如表情識別的時候，不應該輸入一整張圖做訓練。初學者，往往認為分類任務很簡單，那是因為他們沒有面臨真正的問題，當你只是為了識別貓和狗，當然簡單。但是當你要識別正臉和非正臉時，就必然要處理模糊邊界。實際的業(yè)務，需要不斷做出調(diào)整，遠非實驗室環(huán)境和比賽環(huán)境下近乎完美的設(shè)定。

前段時間帶了一個實習生對此就有了深刻的體驗，感興趣不妨讀一讀，方便手機閱讀做了二維碼。

上面只說了一部分，實際上對所要解決的問題的理解，是一個很需要經(jīng)驗的活，只有不斷實戰(zhàn)才能進步，沒有一年半載的鍛煉，一般都無法獨自承擔任務。

對能力的要求

網(wǎng)上曾經(jīng)有過對從事深度學習相關(guān)崗位人的能力要求，我這里做一個簡化版，這些技能是必須掌握的。

• 熟練掌握 C/C++、Python 等編程語言；
• 熟練掌握 Caffe、TensorFlow 等以及不斷新出的開源平臺；
• 熟練閱讀行業(yè)前沿研究，都是英文 Paper，并經(jīng)常需要復現(xiàn)結(jié)果。
• 一般必須掌握爬蟲、服務端等前后端的基礎(chǔ)知識，保證日常項目需要時能獨立開工；
• 了解并熟悉 Cuda 等 GPU 編程技術(shù)，了解一些移動端的硬件知識；
• 了解并熟悉 Android、iOS 等移動端的基礎(chǔ)知識，在項目中可能會需要使用。

優(yōu)秀的人才，上面這些技能基本全部必備，難不難，技術(shù)人員對比下自己的水平，想必自有判斷。

好了，先說到這兒，以后要說的還多著呢，我是言有三，以后還請多多關(guān)照。

福利：為了方便溝通、交流，建立了一個微信群，里面有國內(nèi)頂尖互聯(lián)網(wǎng)公司的朋友和遍布各地的學生，歡迎加入。由于已經(jīng)超過 100 人，加群請?zhí)砑佑腥⑿?#xff1a;Longlongtogo。

點擊了解更多《AI 圖像識別項目從入門到上線》

第01課：如何科學的調(diào)研并啟動一個項目

每一個項目的第一步就是立項，立項需要進行充分的調(diào)研才能確定是否值得啟動一個項目。調(diào)研主要是要做好兩個方向：（1）算法調(diào)研，主要是確定可行的技術(shù)路線，更具體的說，想清楚要做的事情是否已經(jīng)到達落地的水準，也就是可行性的驗證；（2）市場調(diào)研，它主要確定的是，所選中的方案是否有市場需求，是否已經(jīng)有成熟的競爭對手和市場。

下面分別從這兩個方向進行講述，我們以圖像風格化為例，所謂圖像風格化，學術(shù)名詞是 Image Style Transfer，研究起源于這一篇論文 A Neural Algorithm of Artistic Style[1]，三年前我的公眾號《與有三學 AI》也做過報導，有興趣的讀者可以看看：

它是采用神經(jīng)網(wǎng)絡的方法，分別學習到一幅圖像的紋理和風格，從而實現(xiàn)從一幅圖像風格到另一幅圖像的遷移，如下，將圖2的風格，應用到圖1上。

當然，現(xiàn)在已經(jīng)有了很多新的應用，尤其是基于人臉的非常多，關(guān)于詳細的介紹和技術(shù)原理可以參考我以前開設(shè)的 AI 攝影基礎(chǔ)課程，里面詳細地講述了攝影中各方面的圖像知識。

在我的知乎專欄中，也有更多的細節(jié)：

下面言歸正傳，回到風格化研究的調(diào)研。

從哪些地方開始調(diào)研

市場調(diào)研

在做算法調(diào)研之前，先要做市場調(diào)研。市場調(diào)研需要涵蓋主流的產(chǎn)品形態(tài)，包括 App、普通的網(wǎng)頁應用以及小程序；所面對的目標用戶（年齡層次、地域分布）、現(xiàn)有的市場份額以及潛在的競爭對手等也需要了解。

這一塊兒沒有多少可說的，平時多關(guān)注關(guān)注新聞、相關(guān)朋友圈的分享、相關(guān)公眾號即可，比如當年非常火的 Prisma，作為從業(yè)人員想忽視也不容易的。

然后到 iOS 平臺和安卓平臺去搜搜關(guān)鍵詞，看看各大公司是否已經(jīng)跟上推出的類似產(chǎn)品？

我們調(diào)研一下就知道，國內(nèi)幾大圖像算法公司，騰訊的天天P圖、美圖科技的美圖秀秀、Camera360 的 MIX 濾鏡都有相關(guān)產(chǎn)品，其他小產(chǎn)品也不少。

我們分別以三張人臉和風景圖做測試。

試試美圖黑科技中繪畫機器人：

試試用天天P圖出的小學生證件照吧：

還有各種民國仙俠風：

MIX 中藝術(shù)濾鏡：

當然，現(xiàn)在已經(jīng)存在非常多類似的 App 了，初步的調(diào)研結(jié)果顯示，基于圖片的風格化技術(shù)已經(jīng)很成熟，而且產(chǎn)品面世也已經(jīng)不止兩年了，我們偶爾會在朋友圈里看到類似的分享尤其是節(jié)假日，當然具體的用戶比例，可能需要我們自己去做一些調(diào)研問卷、投票之類的。

不過，還沒有看到比較好的基于視頻的調(diào)研結(jié)果，所以這可能是一個突破點。

最后總結(jié)一下調(diào)研的結(jié)果。

建議從以下幾個方向：

• 技術(shù)成熟度
• 受眾
• 產(chǎn)品使用頻率
• 競爭對手

算法調(diào)研

國內(nèi)外前沿學術(shù)研究

可以找一些好的博士碩士論文，相關(guān)綜述，看看總結(jié)和方向，再找學術(shù)界和工業(yè)界的相關(guān)比賽以及數(shù)據(jù)集。

中文調(diào)研

（1）首先調(diào)研綜述類文章，查看 CNKI 相關(guān)關(guān)鍵詞的博士碩士論文，以及優(yōu)秀中文期刊的綜述。還是以圖像風格化為例，到中國知網(wǎng)平臺，搜索結(jié)果詳見這里。

（2）百度學術(shù)調(diào)研

雖然百度學術(shù)與 Google 學術(shù)相差甚遠，但是也可以作為輔助。

點擊該鏈接，可彈出如下圖所示的結(jié)果：

這其中可以調(diào)研到發(fā)表時間、來源期刊，同時可以獲取到引用格式，這在寫作學術(shù)論文和調(diào)研報告中也會非常有用。

英文調(diào)研

中文調(diào)研應該作為一個入門的了解，而英文文獻的調(diào)研，才是了解最前沿技術(shù)的正確方法，必須使用好 Google 學術(shù)以及 Google 通用搜索引擎。同時，由于現(xiàn)在很多的論文在接收和正式發(fā)表之前，都已經(jīng)發(fā)在了arxiv平臺上，所以為了獲取最新的研究結(jié)果，這個也是必須的。

（1）Google 與 Google 學術(shù)

Google 學術(shù)擅長于尋找正式發(fā)表的學術(shù)論文，而 Google 通用搜索引擎則可以廣泛瀏覽相關(guān)內(nèi)容，都需要去仔細篩選。

另外，Google 和百度都提供了一個 API 調(diào)研，即關(guān)鍵詞的熱度趨勢：

百度指數(shù)：

（2）Arxiv

學術(shù)界最新的研究成果往往是先發(fā)表在這里，甚至可能領(lǐng)先正式出版機構(gòu)一年以上，所以這也是需要去認真調(diào)研的。機器學習相關(guān)的在 computer science 欄目下。

在調(diào)研學術(shù)論文的時候，優(yōu)先看綜述，然后重點關(guān)注知名的研究機構(gòu)，引用量大的論文。

比如，開啟圖像風格化這個方向的^【1】，Neural Style Transfer: A Review^【2】，李飛飛組的實時風格化研究^【3】等，這些是需要重點關(guān)注的。

通過閱讀綜述文章、一系列經(jīng)典文章和前沿文章之后，就能對該方向的技術(shù)路線等有了很明確的認知。當然如果有機會參與一些比較牛的團隊或者身邊有相關(guān)人脈，則更有可能獲得最新的研究成果，那也是極好的。

行業(yè)媒體調(diào)研

在機器學習領(lǐng)域，現(xiàn)在有很多的優(yōu)秀自媒體，他們也會經(jīng)常總結(jié)一些前沿的研究，所以這也是一個很好的調(diào)研渠道。

這里做一些推薦：

• 機器之心、新智元、AI 科技評論、AI 科技大本營，都是人工智能媒體與產(chǎn)業(yè)服務平臺，注重總結(jié)學術(shù)界的最新研究與工業(yè)界的最新動向，干貨很多。
• 深度學習大講堂、Paperweekly、國內(nèi) CV 界的前沿研究推送，以學術(shù)為主，解讀前沿論文。
• 大數(shù)據(jù)文摘、內(nèi)容不限于 AI 與機器學習，所有與大數(shù)據(jù)相關(guān)的資料，所以也會顯得更加全而雜亂。
• 36氪、虎嘯網(wǎng)等，注重商業(yè)報告，尤其強調(diào)行業(yè)趨勢，創(chuàng)業(yè)的朋友肯定需要經(jīng)常關(guān)注。
• 知乎、微博，雖然現(xiàn)在知乎內(nèi)容越來越多整體質(zhì)量下滑嚴重，但是仍然是國內(nèi)尤其是技術(shù)精英喜歡逛的地方。雖然微博娛樂泛濫，但是也不能完全否定它上面也有一些還不錯的自媒體，像每天堅持截取論文研究結(jié)果的“愛可可愛生活”，以及各大新聞媒體如新浪科技、還有大佬的微博動向，比如雷軍每次都會介紹自家小米的產(chǎn)品。

當然厚臉皮推薦一下自己鼓搗的技術(shù)公眾號《與有三學 AI》以及知乎專欄《深度學習模型訓練經(jīng)驗與代碼剖析》，水平有限未形成規(guī)模，歡迎大家加入，專欄上面已經(jīng)放出。

GitHub

GitHub 的重要性就不用多說了吧，鑒于它已經(jīng)成為了最大的技術(shù)人員交友平臺，所以在這里調(diào)研技術(shù)再適合不夠。另外，正好這幾天微軟收購了 GitHub，對于一個像蘋果一樣封閉的公司，微軟做出這樣的改變其后續(xù)動作值得期待。同時，微軟亞洲研究院的計算機視覺研究是國際頂尖的，不知道這次并購會不會帶來更多驚喜。

以 image style transfer 為例，很快就能找到一個高質(zhì)量的資源，點擊詳見這里。

帶有相當完整的論文 list 與開源代碼，再精讀這些資源之后，想不了解都難了。而且，等正式開始干活之后，這些資源很有可能就會成為起點。

怎樣寫好調(diào)研報告

上面既然已經(jīng)完成了調(diào)研，那么要交出去給其他人看的時候，就一定要寫好調(diào)研報告。下面做出一些總結(jié)，主要從以下幾個方向入手，還是以圖像風格化為例。

用戶調(diào)研總結(jié)

（1）潛在用戶

• AI 技術(shù)愛好者，這一類人喜歡嘗試新鮮技術(shù)。
• 攝影愛好者，喜歡研究各類濾鏡。
• 女性，對于美顏和人臉風格化有需求的廣大女性。

（2）使用地點、時間點和頻次

朋友圈等社交平臺，屬于日常低頻需求，朋友圈偶見轉(zhuǎn)發(fā)，可能集中在特定節(jié)日，比如 5-4 青年節(jié)天天P圖推出的民國風格。

（3）用戶需求

求新與切合時間點，喜歡不斷嘗試新的濾鏡，喜歡在特定時間段集中爆發(fā)嘗試與轉(zhuǎn)發(fā)。

（4）使用平臺

移動端 App 和網(wǎng)頁應用。

總結(jié)：圖像風格化實際上是一個低頻非剛需，它與美顏有著本質(zhì)的區(qū)別，因為后者只是對圖像的微調(diào)，而前者則是一個新的創(chuàng)作。因此，如果做這一類產(chǎn)品，結(jié)合特定時間點做趣味性強的短期爆款制造營銷事件比特意開發(fā)一個 App 會更加符合一個新的產(chǎn)品定位。

競爭對手調(diào)研總結(jié)

• 美圖秀秀與天天 P 圖等國內(nèi) App。

對手特點，技術(shù)一流、產(chǎn)品全面且受眾廣，總是能在特殊時間點制造營銷爆點，正面 PK 技術(shù)實力和產(chǎn)品設(shè)計都面臨很大的考驗，失敗風險大。

• 小蟻 AI 藝術(shù)等小程序：產(chǎn)品簡單，效果相比主流 App 較差，有視頻風格化。

總結(jié)：針對大公司技術(shù)實力強但是不敢輕易嘗試非成熟技術(shù)，而小公司技術(shù)實力弱但是產(chǎn)品可以快速迭代的特點，我們可以以短小精美的前端界面 + 最新技術(shù)探索的方式，甚至嘗試非主流擦邊球的形態(tài)來突然推出爆款。

技術(shù)調(diào)研總結(jié)

• 靜態(tài)圖片風格化

技術(shù)路線已經(jīng)比較成熟且風格化效果較好，相關(guān) App 已經(jīng)大量出現(xiàn)，門檻較低，有經(jīng)驗的工程師一個月內(nèi)實現(xiàn)一個 demo 上線沒問題。

• 視頻風格化

計算代價較高相關(guān)競品很少，需要具備一流研發(fā)能力的團隊。

最終總結(jié)：磨刀不誤砍柴工，在正式想好做一個項目之前，最好先做好上面的3步調(diào)研，免得閉門造車。

---

【1】 Gatys L A, Ecker A S, Bethge M. A neural algorithm of artistic style[J]. arXiv preprint arXiv:1508.06576, 2015.

【2】 Jing Y, Yang Y, Feng Z, et al. Neural style transfer: A review[J]. arXiv preprint arXiv:1705.04058, 2017.

【3】 Johnson J, Alahi A, Fei-Fei L. Perceptual losses for real-time style transfer and super-resolution[C]//European Conference on Computer Vision. Springer, Cham, 2016: 694-711.

點擊了解更多《AI 圖像識別項目從入門到上線》

第02課：如何科學的準備并整理數(shù)據(jù)

第03課：如何儲備代碼基礎(chǔ)

第04課：怎樣準備圖像基礎(chǔ)知識

第05課：怎么儲備深度學習與神經(jīng)網(wǎng)絡基礎(chǔ)

第06課：開源框架之 Caffe 圖像分類實戰(zhàn)

第07課：開源框架之 TensorFlow 圖像分類實戰(zhàn)

第08課：開源框架之 Pytorch 圖像分類實戰(zhàn)

第09課：如何快速訓練出第一版模型

第10課：如何進行數(shù)據(jù)的迭代與優(yōu)化

第11課：如何進行模型的迭代與優(yōu)化

第12課：微信小程序模型部署之前端

第13課：微信小程序模型部署之服務端

第14課：總結(jié)

閱讀全文: http://gitbook.cn/gitchat/column/5b1f709a472e0a7085638f9b

總結(jié)

以上是生活随笔為你收集整理的AI 图像识别项目从入门到上线的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。