在想要訓練一個能區分蘋果和香蕉的模型,你需要搜索一些蘋果和香蕉的圖片,將這些圖片放在一起構成訓練數據集(Training Dataset),訓練數據集是有標簽的,蘋果圖片的標簽是蘋果,香蕉圖片的標簽是香蕉。

通過對初始的神經網絡參數不斷地優化來讓模型變得更準確。可能開始對于20張蘋果的照片,只有10張被判斷為蘋果,對另外10張沒有做出正確判斷,這時可以通過優化參數讓神經網絡對20張圖片都做出正確判斷,這個過程就是訓練過程。訓練后的模型能對訓練數據集中所有蘋果圖片準確地加以識別,但是我們的期望是它可以對以前沒看過的圖片進行正確識別。

重新拍一張蘋果的圖片讓神經網絡判斷時,這種圖片叫作現場數據(Live Data),如果神經網絡對現場數據識別的準確率非常高,就證明你的網絡訓練是非常成功的。我們把用訓練好的模型識別新圖片的過程稱為推理。圖中給出了深度學習中訓練和推理的關系。

訓練是利用已有數據進行學習的過程,對計算的精度要求較高,會直接影響推理的準確度。而推理是在新的輸入數據下,應用訓練形成的模型完成特定的任務,如圖像識別、自然語言處理等,通常數據量會比訓練小很多,可以放到移動終端設備上進行。

這又涉及一個概念-—部署(Deployment)。把一個訓練好的模型應用起來,使它能夠在移動終端上運行推理,這個過程就稱為部署。

審核編輯黃宇