<mark id="oztn4"></mark>
0
| 本文作者： AI研習(xí)社-譯站 | 2018-04-20 15:30 |
雷鋒網(wǎng)按：本文為雷鋒字幕組編譯的技術(shù)博客，原標(biāo)題What I've learned building a deep learning Dog Face Recognition iOS app，作者為Octavian Costache。
翻譯 | 汪寧 王飛 劉澤晟 整理 | 凡江
我做了一個(gè)狗臉識(shí)別的深度學(xué)習(xí)ios應(yīng)用，并想跟你分享這些心得。
我是一個(gè)初創(chuàng)公司的軟件工程師。曾經(jīng)有段時(shí)間在谷歌工作，做谷歌財(cái)經(jīng)圖表和Multiple inboxes，并主管谷歌地圖的業(yè)務(wù)。最近，我開(kāi)了一家叫Spring的購(gòu)物公司。同時(shí)，我也是一個(gè)創(chuàng)業(yè)者，在空余時(shí)間里我喜歡做一些副業(yè)。
幾個(gè)月前，我開(kāi)始做一個(gè)用于狗狗拍照app的臉部過(guò)濾器。當(dāng)你將app對(duì)著你的狗時(shí)，這個(gè)app就會(huì)將這個(gè)過(guò)濾器作用在狗的臉上。有9200萬(wàn)張照片被標(biāo)記為dogsofinstagram——你可能會(huì)發(fā)現(xiàn)有一些用戶不在其中——?jiǎng)?chuàng)造人們想要的東西是額外的動(dòng)力：
我需要
建立一個(gè)深度學(xué)習(xí)模型，提取狗的面部特征。
在iPhone上實(shí)時(shí)視頻的頂部運(yùn)行
使用ARKit顯示3D過(guò)濾器（二維的表示不是那么酷）
從對(duì)深度學(xué)習(xí)一無(wú)所知到做出一個(gè)還不錯(cuò)的app。我想要分享我在每一步中所學(xué)到的經(jīng)驗(yàn)。
我希望那些剛接觸深度學(xué)習(xí)的人會(huì)覺(jué)得這些方法很有用。
第1步：深度學(xué)習(xí)大都是現(xiàn)成的
我需要回答的第一個(gè)問(wèn)題是“這是可能的嗎？”。我的問(wèn)題容易處理嗎？我應(yīng)該從哪開(kāi)始？
一些簡(jiǎn)單的搜索告訴我該學(xué)習(xí)TensorFlow對(duì)象檢測(cè)教程、研究論文，或者如何用現(xiàn)成的代碼構(gòu)建一個(gè)有邊界框的檢測(cè)器。
我的問(wèn)題看起來(lái)是可以解決的（人們得到的各類結(jié)果在我所需要的范圍內(nèi)），但沒(méi)有現(xiàn)成的東西可以方便地用到我的用例中。試圖弄清楚如何修改現(xiàn)有的教程讓人惱火。
在閱讀博客文章的過(guò)程中，我開(kāi)始轉(zhuǎn)向最基本的網(wǎng)絡(luò)課程，從基礎(chǔ)開(kāi)始。事實(shí)證明這是一個(gè)非常好的決定。
在這個(gè)過(guò)程中，我了解到：
Andrew Ng的課程是關(guān)于卷積神經(jīng)網(wǎng)絡(luò)的課程（這是關(guān)于深度學(xué)習(xí)的一系列課程的第三部分）是學(xué)習(xí)應(yīng)用于計(jì)算機(jī)視覺(jué)的基礎(chǔ)概念和工具的一個(gè)好地方。沒(méi)有它，我什么也做不了。
Keras在TensorFlow上是一個(gè)高級(jí)的API，它是最容易使用的深度學(xué)習(xí)模型。TensorFlow本身對(duì)于初學(xué)者來(lái)說(shuō)太底層，會(huì)讓初學(xué)者感到困惑。我確信Caffe/PyTorch也很棒，但是Keras真的幫了我的忙。
Conda是管理python環(huán)境的一種很好的工具。Nvidia-docker也很棒，但是只有當(dāng)你可以使用GPU的時(shí)候才有必要使用它。
剛開(kāi)始時(shí)，你很難從網(wǎng)絡(luò)教程中學(xué)習(xí)最基本概念。如果你從更適合你的課程或書(shū)本中學(xué)習(xí)基本的核心概念。它將使你的學(xué)習(xí)更容易。
第2步：弄清楚如何實(shí)現(xiàn)特征點(diǎn)檢測(cè)
用我最近發(fā)現(xiàn)的基本知識(shí)，我已經(jīng)開(kāi)始著手研究如何實(shí)現(xiàn)我的自定義模型。
“對(duì)象分類”和“對(duì)象檢測(cè)”在今天已經(jīng)是現(xiàn)成的了。我想要做的不是這些，而是后面這個(gè)，在文獻(xiàn)中這個(gè)詞是“特征點(diǎn)檢測(cè)”（Landmark Detection） ，用術(shù)語(yǔ)概括我要做的事情會(huì)更方便一點(diǎn)。
現(xiàn)在，新的問(wèn)題。什么樣的模型是好的?我需要多少數(shù)據(jù)？我該如何給數(shù)據(jù)貼上標(biāo)簽?如何去訓(xùn)練數(shù)據(jù)呢？一個(gè)好的最小可行開(kāi)發(fā)工作流程又是怎什么樣？
第一個(gè)目標(biāo)是讓一些程序運(yùn)行起來(lái)。以后我可以再去做一些提升質(zhì)量方面的工作。俗話說(shuō)在你跑之前先得學(xué)會(huì)走。
我的心得：
我用來(lái)標(biāo)記左眼/右眼/鼻子的工具，自己設(shè)計(jì)的，起來(lái)很糟糕，但是很實(shí)用。
建立自己的數(shù)據(jù)對(duì)用戶界面進(jìn)行標(biāo)注是一個(gè)非常好的想法。其他已有的標(biāo)簽對(duì)我來(lái)說(shuō)沒(méi)用，它們只適用于Windows，要么就是做的太多了。后來(lái)，當(dāng)我需要對(duì)我所標(biāo)注的數(shù)據(jù)進(jìn)行修改（比如添加新的特征點(diǎn)）時(shí)，這種靈活性確實(shí)很有用。
標(biāo)記速度很重要。我每小時(shí)至少可以標(biāo)記300張照片。即每12秒就可以標(biāo)記一個(gè)圖像。標(biāo)記8000張照片只需要26小時(shí)。如果你想標(biāo)記數(shù)據(jù)的真實(shí)數(shù)量，那么每一秒都很重要。建立我自己的標(biāo)記集有一定的前期成本，但實(shí)際上幫助了你之后的工作。
手工標(biāo)記數(shù)據(jù)可以讓你很好地了解模型的內(nèi)容。
預(yù)處理圖像最初看起來(lái)像是一個(gè)細(xì)節(jié)，但后來(lái)證明是很關(guān)鍵的，我花了幾天時(shí)間來(lái)理解如何修改它。查看Stack Overflow上的解答——是否在正確的位置調(diào)用preprocess_image是程序是否運(yùn)行的關(guān)鍵。
雖然并不是很精確，但程序已經(jīng)可以就位了。一個(gè)模型輸出并不離譜的東西，這讓我很開(kāi)心。
這種微妙的黑盒子的感覺(jué)——在正確的地方做正確的事情時(shí)才會(huì)成功——這種感覺(jué)在幾乎每一步都存在。
跟蹤缺陷、識(shí)別問(wèn)題、縮小問(wèn)題的范圍——在一般軟件工程中是正常的——在今天的深度學(xué)習(xí)開(kāi)發(fā)中并不那么容易。
對(duì)于像我這樣的初學(xué)者來(lái)說(shuō)，弄清楚這個(gè)問(wèn)題顯得夢(mèng)幻而偶然，而不是深思熟慮的結(jié)果。我不清楚這個(gè)行業(yè)里是否有人知道如何做好這一點(diǎn)——感覺(jué)更像是每個(gè)人都在試圖解決這個(gè)問(wèn)題。
大約三周后，我就做成了一些事情：我可以給數(shù)據(jù)貼上標(biāo)簽，在上面訓(xùn)練模型，用一張照片在Jupyter Notebook運(yùn)行那個(gè)模型，然后得到真實(shí)的坐標(biāo)（帶有可疑的位置）作為輸出。
第3步：確保模型在iOS上運(yùn)行
現(xiàn)在有了一個(gè)簡(jiǎn)單的工作模型，我的下一步是確保它能在一個(gè)手機(jī)上運(yùn)行，并且運(yùn)行得足夠快。
Keras/TensorFlow模型不能在iOS本地上運(yùn)行，但是蘋果有自己的神經(jīng)網(wǎng)絡(luò)運(yùn)行框架CoreML。在iOS上運(yùn)行.mlmodel 可以通過(guò)教程代碼完成。如此簡(jiǎn)單的過(guò)程讓我被它征服了。
但是，即使是這個(gè)簡(jiǎn)單的轉(zhuǎn)換步驟(從.h5 到.mlmodel)也不是沒(méi)有挑戰(zhàn)的。
蘋果將一個(gè).h5模型轉(zhuǎn)換成一個(gè).mlmodel模型的工具（稱為coremltools），是一個(gè)半成品。 使用pip安裝的版本在box外無(wú)法運(yùn)行，我必須使用python2.5在conda環(huán)境中從源代碼構(gòu)建它，打補(bǔ)丁。嘿，至少它有用。
弄清楚如何在手機(jī)上預(yù)先處理輸入圖像，就像模型所期望的那樣，卻出人意料的不簡(jiǎn)單。我在stackOverflow提問(wèn)，或者搜索博客文章，可什么都沒(méi)有。我最終通過(guò)給Matthijs Hollemans發(fā)送陌生郵件來(lái)找到了我的答案，讓我驚喜的是他的答案使我脫離困境！他甚至有一篇關(guān)于這個(gè)問(wèn)題的博客文章。如果沒(méi)有他，我不會(huì)發(fā)現(xiàn)這篇文章。
事實(shí)證明，整個(gè)深度學(xué)習(xí)工具鏈仍在開(kāi)發(fā)中。在深度學(xué)習(xí)領(lǐng)域，事物變化很快。
另一方面，我喜歡團(tuán)體小而富有活力，互幫互助的感覺(jué)。如果你像我一樣，有點(diǎn)迷糊，不要猶豫，直接發(fā)郵件問(wèn)。最差也不過(guò)是沒(méi)有人回答。最好的情況卻是有個(gè)好人幫了你。就像Matthijs。感謝！
我的模型在實(shí)體機(jī)上以每秒19幀的速度運(yùn)行了，這就像一個(gè)神奇的劃時(shí)代事件。有了這個(gè)基礎(chǔ)，現(xiàn)在我可以致力于提高質(zhì)量了。
第4步：讓模型運(yùn)行得更加完美
這的確需要一些時(shí)間。我該怎么做才能讓我的產(chǎn)品在深度學(xué)習(xí)模型外也表現(xiàn)良好？再多點(diǎn)數(shù)據(jù)？使用不同的頂層？使用不同的損失函數(shù)？層中使用不同的激活參數(shù)？太麻煩了！
循序漸進(jìn)似乎是最好的。不斷測(cè)試，訓(xùn)練，和前一次的運(yùn)行情況進(jìn)行比較，看看哪一個(gè)辦法起了作用。剛開(kāi)始用少量的數(shù)據(jù)，慢慢地?cái)U(kuò)大數(shù)據(jù)集。少量的數(shù)據(jù)意味著較短的訓(xùn)練時(shí)間。一旦利用大型數(shù)據(jù)集進(jìn)行訓(xùn)練。運(yùn)行一次得等待24小時(shí)是很常見(jiàn)的，這并不是真正的快速迭代。
數(shù)據(jù)擴(kuò)充是可能會(huì)出錯(cuò)的代碼。開(kāi)始的時(shí)候可以略過(guò)這一部分，運(yùn)行的時(shí)候可以不運(yùn)行這一部分代碼，然后一點(diǎn)點(diǎn)增加數(shù)據(jù)擴(kuò)充部分的代碼。要保證代碼是穩(wěn)定的。你的模型應(yīng)該始會(huì)和你輸入的數(shù)據(jù)一樣好。準(zhǔn)備好時(shí)間會(huì)被浪費(fèi)掉，準(zhǔn)備好學(xué)習(xí)最優(yōu)做法需要時(shí)間。你必須要不斷往前走并且不斷往下做，不然你是不會(huì)從錯(cuò)誤中學(xué)到任何東西的。往前走，要勇于犯錯(cuò)。
這是我試著做這個(gè)項(xiàng)目的時(shí)所學(xué)到的：
這一點(diǎn)似乎顯而易見(jiàn)----使用TendorBoard對(duì)迭代開(kāi)發(fā)能夠達(dá)到數(shù)量級(jí)的提高
從我的數(shù)據(jù)生成器中對(duì)圖像數(shù)據(jù)進(jìn)行調(diào)試，這能幫助我找到影響我模型的圖像處理的Bug。就像我對(duì)鏡像照片時(shí)，雖然我并沒(méi)有交換左右眼。
和那些經(jīng)常訓(xùn)練模型、有經(jīng)驗(yàn)的人進(jìn)行交談，這節(jié)省了我很多時(shí)間。一個(gè)羅馬尼亞的機(jī)器學(xué)習(xí)團(tuán)隊(duì)和幾個(gè)慷慨的朋友證明這很重要（感謝Csomin Negruseri , Matt Slotkin , Qianyi Zhou以及Ajay Chainani）。讓別人來(lái)主動(dòng)問(wèn)你遇到什么困難，這是不可能。
通常來(lái)說(shuō)，不按照默認(rèn)規(guī)則來(lái)做并不是一個(gè)好主意。比如，當(dāng)我嘗試著用fisheries competition上發(fā)布的一個(gè)博客做頂層時(shí)-- 博客里面的使用了 activation='relu' ，雖然頂層呈現(xiàn)出來(lái)的結(jié)果很不錯(cuò)，但是 activation='relu' 并不好。當(dāng)我試著使用我自己的L1 LOSS損失函數(shù)時(shí)，呈現(xiàn)的結(jié)果比更加標(biāo)準(zhǔn)的MSE loss損失函數(shù)差很多。
編寫一個(gè)數(shù)據(jù)生成器很有必要。數(shù)據(jù)擴(kuò)充很重要。
當(dāng)你運(yùn)行教程時(shí)，在幾百?gòu)垐D片上學(xué)習(xí)和訓(xùn)練第一個(gè)模型，一個(gè)CPU就足夠了，使用GPU會(huì)顯得累贅。
在GPU上使用一個(gè)真實(shí)的數(shù)據(jù)集（8000張圖片）和一個(gè)數(shù)據(jù)生成器（80000張圖片）進(jìn)行訓(xùn)練十分重要，即使它要花24小時(shí)。
亞馬遜的GPU對(duì)個(gè)人開(kāi)發(fā)來(lái)說(shuō)比較昂貴，在24小時(shí)一次的迭代當(dāng)中，大概每小時(shí)花一美元，花費(fèi)會(huì)迅速增加。謝謝Cosmin讓我通過(guò)SSH進(jìn)入你的電腦，讓我能夠免費(fèi)使用你的GPU。
檢測(cè)有點(diǎn)不太準(zhǔn)確。當(dāng)然，這只是我測(cè)試用的狗頭，一個(gè)從亞馬遜買的狗面具。絕不會(huì)移動(dòng)，總是很開(kāi)心地望著照相機(jī)！
盡管并不完美，但是最后的結(jié)果表現(xiàn)得相當(dāng)好，足夠可以用來(lái)做一個(gè)app。
并且我感覺(jué)，如果我是一個(gè)全職的機(jī)器學(xué)習(xí)工程師，讓其更好是很有可能的。
但是像其他的產(chǎn)品一樣，最后的百分之二十進(jìn)程會(huì)花掉百分之八十的時(shí)間，我認(rèn)為在下一個(gè)版本中，我必須要將這部分工作納入其中。
如果你對(duì)你的產(chǎn)品羞恥感較弱，你可能會(huì)需要花很多的時(shí)間才能完成這些工作，特別是對(duì)于業(yè)余項(xiàng)目來(lái)說(shuō)。
第5步：搭建iOS應(yīng)用，過(guò)濾器，然后把它們集成在一起
手上有了足夠好的模型，現(xiàn)在可以放到Swift，ARKit上，并且事實(shí)證明，SpriteKit可以用于2D內(nèi)容。iOS及其框架仍舊讓我印象深刻。如果你能正確看待它，這些天能夠在手機(jī)上做的事情的確很令人興奮。
這個(gè)應(yīng)用本身很基礎(chǔ)，一個(gè)大的記錄按鈕，一個(gè)滑動(dòng)切換過(guò)濾器，一個(gè)分享按鈕。
大部分的工作是在學(xué)習(xí)ARKIT，然后弄明白它的限制。如何把3D模型放進(jìn)去，如何從場(chǎng)景，燈光，動(dòng)畫和幾何圖形中添加和移除這些模型
在這個(gè)過(guò)程中我學(xué)到的：
ARKit很好。是的，添加3D內(nèi)容很容易，很有意思，API也很棒。一旦你把某樣模型放到場(chǎng)景中，它就很馬上起作用。
ARHitTestResult表明，通過(guò)圖片中的像素，它會(huì)返回給你像素的三維坐標(biāo)，確實(shí)有用但是精度不夠好。結(jié)果中百分之七十是在正確的位置，百分之三十出現(xiàn)在了錯(cuò)誤的位置。這給我把過(guò)濾器應(yīng)用在臉部識(shí)別上造成了困難。
備用計(jì)劃：構(gòu)建二維的過(guò)濾器。 SpriteKit，蘋果的二維游戲引擎，使用起來(lái)十分簡(jiǎn)單--這個(gè)引擎有一個(gè)內(nèi)置的物理引擎。使用和學(xué)習(xí)起來(lái)很有意思（雖然表面上是這樣）。
第一代結(jié)合了CoreMl的ARKit技術(shù)讓我大開(kāi)眼界。
在幾個(gè)星期之內(nèi)，我就能夠在實(shí)時(shí)的照相機(jī)視頻流上運(yùn)行我的深度學(xué)習(xí)模型了，抽取出臉部特征點(diǎn)，利用Arkit展示出三維的內(nèi)容，使用SceneKit展示出二維的內(nèi)容，處理的精度相當(dāng)不錯(cuò)。
僅僅在兩年前，為了相似的技術(shù)（用于人臉），SnapChat不得不花一億五千萬(wàn)美元買下一個(gè)公司。現(xiàn)在iOS免費(fèi)提供人臉標(biāo)志檢測(cè)，并且不像我的ARHitTestResult的結(jié)果，它的精確度很高。這種技術(shù)迅速商品化真是太不可思議了
再過(guò)幾年，一旦iPhone背面有紅外點(diǎn)，你的環(huán)境的3D映射應(yīng)該變得相當(dāng)好。
總結(jié)
對(duì)于深度學(xué)習(xí)的應(yīng)用，人工智能的熱潮和什么相關(guān)，iPhone當(dāng)前所擁有的性能，以及ARkit，SpriteKit，Swift，我感覺(jué)自己對(duì)它們有了一個(gè)深刻的理解。
現(xiàn)在你還不能找到現(xiàn)成的深度學(xué)習(xí)模型，因?yàn)樯疃葘W(xué)習(xí)相關(guān)的一切都還不是很普遍，但是，在將來(lái)情況就會(huì)改善。
如果你跳過(guò)一些必要的步驟，以及一些必要的限制，對(duì)我來(lái)說(shuō)就像技術(shù)在這篇博客的應(yīng)用。
我不必深入神經(jīng)網(wǎng)絡(luò)的內(nèi)部細(xì)節(jié)，也不必直接觸碰任何TensorFlow相關(guān)的東西。
高層次的Keras遠(yuǎn)遠(yuǎn)夠用了。一周的關(guān)于卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)的網(wǎng)絡(luò)課程足夠滿足我的需要了。當(dāng)然，這不會(huì)讓我成為專家 ，但這能讓我最小限度地得到一個(gè)可用的產(chǎn)品。
我開(kāi)始相信蘋果公司必須在手機(jī)業(yè)務(wù)之外開(kāi)發(fā)增強(qiáng)現(xiàn)實(shí)技術(shù)。當(dāng)他們推出 Magic-Leap-Equivalent產(chǎn)品時(shí)，構(gòu)建增強(qiáng)現(xiàn)實(shí)會(huì)變得十分容易。ARKit已經(jīng)讓人印象深刻。
經(jīng)過(guò)這次練習(xí)后，我對(duì)深度學(xué)習(xí)的理解更加深入，特別是在計(jì)算機(jī)視覺(jué)方面，感覺(jué)就像魔法一樣。
能夠從諸如照片這樣簡(jiǎn)單的東西中提取的結(jié)構(gòu)化數(shù)據(jù)的類型將是不可思議的。你買什么狗玩具，你還剩多少狗糧，你喜歡什么樣的狗糧，你什么時(shí)候帶狗去看獸醫(yī)。你將能夠從你的照片那樣簡(jiǎn)單的事情中了解你與寵物（或你的寶寶，或你的伴侶）的關(guān)系的一切。
感謝閱讀，希望對(duì)你會(huì)有幫助。如果你有任何建議，不要猶豫，我很愿意讓我的的應(yīng)用程序變得更好。
在應(yīng)用商店下載這款應(yīng)用，讓我知道你的想法。 雷鋒網(wǎng)雷鋒網(wǎng)
另外， 非常感謝Cosmin Negruseri, Matt Slotkin, Qianyi Zhou 以及 Ajay Chainani ，感謝他們幫助我完成的應(yīng)用以及評(píng)閱這篇文章。感謝Andy Bons為這個(gè)應(yīng)用提供了最初的想法。
雷鋒字幕組正在招募中
掃描下方二維碼
備注“雷鋒字幕組+姓名”加入我們吧
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。
