人工智能中的训练与推理

       在想要训练一个能区分苹果和香蕉的模型,你需要搜索一些苹果和香蕉的图片,将这些图片放在一起构成训练数据集(Training Dataset),训练数据集是有标签的,苹果图片的标签是苹果,香蕉图片的标签是香蕉。

      通过对初始的神经网络参数不断地优化来让模型变得更准确。可能开始对于20张苹果的照片,只有10张被判断为苹果,对另外10张没有做出正确判断,这时可以通过优化参数让神经网络对20张图片都做出正确判断,这个过程就是训练过程。训练后的模型能对训练数据集中所有苹果图片准确地加以识别,但是我们的期望是它可以对以前没看过的图片进行正确识别。

      重新拍一张苹果的图片让神经网络判断时,这种图片叫作现场数据(Live Data),如果神经网络对现场数据识别的准确率非常高,就证明你的网络训练是非常成功的。我们把用训练好的模型识别新图片的过程称为推理。图中给出了深度学习中训练和推理的关系。

推理是模型的应用过程

      训练是利用已有数据进行学习的过程,对计算的精度要求较高,会直接影响推理的准确度。而推理是在新的输入数据下,应用训练形成的模型完成特定的任务,如图像识别、自然语言处理等,通常数据量会比训练小很多,可以放到移动终端设备上进行。

     这又涉及一个概念-—部署(Deployment)。把一个训练好的模型应用起来,使它能够在移动终端上运行推理,这个过程就称为部署。

审核编辑 黄宇