本文將講述在基於百度AI Studio平臺上進行深度學習開展的集訓營的收穫總結
理論
圖像識別處理面臨的幾點問題：
1.語義鴻溝(Semantic Gap)現象：
圖像的底層視覺特性和高層語義概念之間的鴻溝
老師通俗地講就是：相似的視覺特性 ，不同的語義概念；
不相似的視覺特性，相同的語義概念；
2.圖像識別基本框架
測量空間通過特徵表示到特徵空間，特徵空間通過特徵匹配到類別空間。
特徵表示在傳統方法上表現爲：設計特徵；在深度學習上表現爲：學習特徵。
3.早期圖像識別技術處理流程
(1)特徵提取：全局特徵提取，即用全局的視覺底層特性統計量表示圖像
全局特徵如有：顏色特徵，紋理特徵，形狀特徵等
但這也是早期圖像處理技術存在的問題：全局特徵丟掉了圖像細節
(2)索引技術：二進制哈希
減少了特徵存儲的空間，以及特徵相似度計算的複雜度
(3)相關反饋：根據可觀察的行爲推斷用戶意圖
(4)重排序：對於初始排列名錶進行重排列，通過視覺信息選取更加近似的。
4.中期圖像識別框架
(1)特徵提取：
局部特徵（Local Feature）：圖像區塊（patch）的向量
特徵檢測子Feature Detector(檢測圖像區塊中心位置)；特徵描述子Feature Descriptor(描述區塊的視覺內容)
(2)向量化：
(3)索引技術：
(4)後處理：
提升一致性高的匹配結果得分；降低一致性低的匹配結果得分。
人工智能的概念：
在這裏，老師講解的一句話我感受很深刻，就是去除人的感性，留下人的理性，使得其發揮最大利益化，這就是人工智能。
機器學習的過程：
深度學習的概念：
建立模仿人類大腦的模型，使用神經網絡這種函數來解決機器學習的問題，層數多所以稱之爲深度。
基於深度學習的圖像識別
圖像分類：對於給定的圖像，預測圖像級別的標籤
第一天實踐收穫
第一天實踐任務爲：製作實時疫情可視化
此任務對我來說，難度較大，涉及爬蟲，並且python基礎很一般，未接觸過爬蟲，不過老師給的有其他類似例子，爬蟲部分已經給出，在熱心羣友的幫助指點下最終完成了作業。
在我理解下此任務分爲兩部分，一部分爲：爬蟲部分；另外一部分爲：使用百度開源的數據可視化工具Echarts，裏面包含很多精巧的圖表設計，良好的交互性，在其API中找到餅圖pie的配置，進行全局配置和系列配置。
最終結果效果圖如下：
此圖反映的是2020年3月31日全國累計確診人數
總結：熟悉了百度AI Studio平臺的使用，notebook上搭建環境編譯的方便，見識到了強大的開源功能
以上圖片均來自百度AI Studio平臺，感興趣的大家可以也去學習一番哈！
https://aistudio.baidu.com/aistudio/index