Google全新AI实战课发布：从原理到代码，手把手带你入门机器学习

如果你的心里只有一件事。

请问：是不是学习?

Google希望你是，而且还准备扶上马，再送一程。

所以今天一早，大礼包又来了。

手把手教你

今年春天，Google发布了机器学习速成课，英文简称MLCC。而且这套基本全程都有中文的课程，还是完全免费的。

这还不够。

Google觉得光学理论还不够，必须教你理论与实战相结合。

所谓：知行合一。

于是，Google发布了最新的一套课程：Machine Learning Practica(机器学习实践)。这套课程会示范Google如何在产品中使用机器学习。

课程地址在此：https://developers.google.cn/machine-learning/practica/

(.cn域名地址亲测可用)

与之前的课程不同，这套动手实践课程中，包括视频、文档和交互式编程练习。目前已经上线的第一课是图像分类。

在图像分类的实践课程中，可以学习Google如何开发利用最先进的图像分类模型，这也是Google相册背后的核心技术。

迄今为止，已有超过1万名Google员工利用这个实践课程来训练他们自己的图像分类器，最终实现可以识别照片中的猫猫狗狗。

课前准备

想要学习这套课程，也有一些基础要求。

主要是两点：

学过Google机器学习速成课，或者了解机器学习的基本概念

有不错的编程基础知识，以及有一些Python编程经验

这套实践课程使用了Keras API。以及课程中的编程练习，使用了Colab。使用Colab不要求之前有过Keras经验。

课程中代码基本可算是提供了逐步的解释。

目前这套实践课程只发布了图像分类一组，但Google表示更多的实践课程正在：肮!啧!味!

课程简介

在这个课程中，Google首先介绍了图像分类的基本原理，讲述了卷积神经网络(CNN)的构建，以及池化、全连接等概念。

然后，Google会引导你从头开始构建一个CNN网络，并且学习如何防止过拟合，以及利用训练模型进行特征提取和微调。

实践课程一共包括三组练习，分别是：

Exercise 1: Build a Convnet for Cat-vs-Dog Classification

带你构建一个猫狗分类的卷积网络。

Exercise 2: Preventing Overfitting

教你如何防止过拟合，改善提高CNN模型。

Exercise 3: Feature Extraction and Fine-Tuning

教你如何通过特征提取和微调来使用Google的Inception v3模型，并为上面两个练习完成的分类器获取更好的准确性。

课程示范

量子位潜入这个课程内部，带回了第二个实践练习。在这堂课里，谷歌想教会大家在猫狗图像分类中，如何减少过拟合。大家感受一下——

练习2：减少过拟合

预计完成时间：30分钟

在本节练习中，我们将基于在练习1中创建的模型将猫狗分类，并通过一些策略减少过拟合：也就是数据增强(Data Augmentation)和正则化方法dropout，从而提高准确性。

和长颈鹿被关进冰箱一样，这得分四步走：

通过对训练图像进行随机转换，来探索数据增强的玩法

在我们数据处理的过程中应用数据增强

在转换中加入dropout

重新训练模型，评估损失和精确度

Let’s get started吧!

数据增强の探索

数据增强是减少视觉模型过拟合的基本方法了，因为我们手头的训练实例为数不多，为了充分利用，我们可通过一些随机的变换“增强”它们，对模型来说，这是不同的图像~

这可以通过在ImageDataGenerator实例读取的图像上增加一些随机转换来实现，比如：

还有一些可用的选择：

rotation_range是在0-180之间的一个值，可在此角度内随机旋转图片。

width_shift和height_shift是个范围，指的总宽度或高度的一部分，图像可在此范围内垂直或水平随机转换。

shear_range用于随机剪切。

zoom_range用来随机缩放图片的。

horizontal_flip用于水平随机翻转图像的一半。

fill_mode是用来填充新创造的像素，在图像随机垂直或水平变换后可能用到

注意：此练习中使用的2000张图片摘自Kaggle上的“狗vs猫”数据集，包含25000张图片。为了节约训练时间，这里我们只用到其中的一个子集。

接下来，我们将datagen转换应用到训练集里的猫咪图像，生成5个随机变量。这个单元需多运行几次，找到新批次中的随机变量。

在数据处理过程中应用数据增强

现在，将上述增强的数据应用到数据预处理配置中——

神奇之处是，若用增强的数据来训练模型，则不会被认为是相同示例(虽然它们都是从一张图片上得到的)。不过模型眼中这些输入仍紧密相关的，所以还不足以完全消除过拟合。

加入Dropout

不过~还有另外一种流行的策略能减少过拟合，即dropout。

如果你想了解过拟合的基本概念，这里自卖自夸推荐两个之前免费课程中的相关介绍：

https://developers.google.com/machine-learning/crash-course/training-neural-networks/video-lecture

https://developers.google.com/machine-learning/crash-course/

我们从练习1重新配置我们的convnet架构，在最后的分类层前试图添加一些dropout。

重新训练模型

随着数据的增加和dropout的填入，我们需要重新训练convnet模型。

这一次，我们训练全部的2000张图片，训练了30轮，并对验证了所有的1000个测试图像。

这可能需要几分钟的时间，检验一下你是否能自己编写代码了。

评估结果

接下来，我们用数据增强和dropout评估模型训练的结果。

结果不错!模型已经不再过拟合。

事实上，从我们的训练资料来看，随着训练次数的增加，模型的准确度会达到80%!

清理

在运行练习3之前，我们还需要运行以下单元来释放kernel和空闲的内存资源：

One More Thing

不知道是不是忙中出错，Google这套全新的课程，在我们发稿的时候，出现了一个尴尬的问题：练习课程无法访问。

你点击练习之后，原本应该是转入一个Colab页面，但是却把多数用户挡在一个这样的界面之上。如图：

链接地址：https://login.corp.google.com

这是啥?

其实，这就是大名鼎鼎的moma，一个Google内部的搜索工具。如果你是Google员工，就能登录访问，进入Google内网。

可能是因为这套实践课程，和MLCC一样，也是之前面向Google内部的课程，所以出现了现在略微尴尬的一幕。

不过我们推送前，这个问题已经修复了。

感谢观看！

end

网络大数据

致力于打造中国最专业的网络大数据科学门户网站。