分类任务小结

工具

深度学习分类任务入门的例子应该算是kaggle比赛里的猫狗大战了。最开始使用caffe来实现猫狗分类任务，caffe的安装确实是一个比较麻烦的事情，不过网上有了很多的教程可以供参考，就可以自己少踩一些坑了。caffe使用过程是比较方便的，但在我感觉灵活性是稍差一些。

之后，发现了英伟达的Digits深度学习平台（目前已经可以基于caffe、TensorFlow、Torch了）。这款工具没的说，确实是一款利器。图像分类、图像分割、目标识别通通拿下，而且使用过程极其简单，让新手毫无门槛就可以入门深度学习了。

再后来，了解了下Tensorflow框架以及它的高级API——Keras，Tensorflow已经是非常好的深度学习框架了，并且在不断地更新之中。Keras是对Tensorflow的一个更高级的封装，让你不需要再去写那么多的代码，搭建神经网络可以真的就像李宏毅教授说的“搭积木”那样简单。并且Keras有非常好的中文文档，学习起来更是方便了许多。

思路

因为我的任务是对具有时序性的图像进行分类，所以一直以来我将其看作是一个行为识别的任务。目前为止，实现了三种思路：

3.使用3D卷积神经网络进行行为识别任务，将时序看做第三维（长×宽×高），长和宽是图像的长宽，时序可以看做第三维“高”，这样也考虑到了时间的因素。用keras搭建3D卷积神经网络