公开数据集中国海洋

TensorFlow Serving https://tensorflow.github.io/serving/

生产环境灵活、高性能机器学习模型服务连串。适合基于实际多少大规模运行,爆发多少个模型磨练进度。可用以开发条件、生产环境。

模型生命周期管理。模型先数据陶冶,逐步暴发初始模型,优化模型。模型多重算法试验,生成模型管理。客户端(Client)向TensorFlow
Severing请求模型,TensorFlow Severing重返适当模型给客户端。TensorFlow
Serving、gRPC(谷歌(谷歌(Google))公司开源高性能、跨语言RPC框架),提供跨语言RPC接口,不一样编程语言都足以访问模型。

TensorFlow Serving代码 https://hithub.com/tensorflow/serving
。源代码Bazel编译安装
https://github.com/tensorflow/serving/blob/master/tensorflow\_serving/g3doc/setup.md
,Docker安装。https://www.tensorflow.org/serving/setup 。结合TensorFlow
Serving,磨炼好模型,成立Docker镜像,推送到谷歌 Container Registry
https://cloud.google.com/container-registry/docs/
。模型在谷歌(谷歌(Google))云平台(谷歌 Cloud
Platform)运行。Kubernetes成功部署模型服务。Serving Inception Model with
TensorFlow Serving and Kubernetes
https://tensorflow.github.ic/serving/serving\_inception 。谷歌(Google) ML
Engine,全托管TensorFlow平台,练习模型一键转换预测服务。

TensorFlow Flod https://github.com/tensorflow/fold ,《Deep Learning
with Dynamic Computation Graphs》https://openreview.net/pdf?id=ryrGawqex
。深度学习进度,模型磨练多少预处理,差距结构数据剪裁成相同维度、尺寸,划分成批,进入磨炼流程。静态图模型,缺点,输入数据不能一般预处理,模型针对分裂输入数据建立差距统计图(computation
graph)分别磨炼,没有丰富利用处理器、内存、高速缓存。
TensorFlow
Fold(现在还出了Eager情势,可以相比较学习),依照不相同结构输入数据建立动态统计图(dynamic
computation),按照各样差距输入数据建立不相同总计图。动态批处理(dynamic
batching)自动组合总括图,完结输入数据之中批处理,批处理单个输入图内分裂节点,分裂输入数据间批处理,批处理差别输入图间运算。可插入附加指令在不相同批处理操作间移动多少。简化模型操练阶段输入数据预处理进度。CPU模型运行速度进步10倍以上,GPU进步100倍。

TensorFlow计算加快。GPU设备,XLA
框架融合OP,分布式总括、参数部分分布到差异机器,硬件统计,CPU更尖端命令集SSE、AVX,FPGA编写帮衬TensorFlow总括单元。
CPU加快。pip命令安装,与更广大机器包容,TensorFlow默许仅在x86机器使用SSE4.1
SIMD指令。源代码安装可以取得最大性能,开启CPU高级指令集援救。bazel
构建只可以在和谐机器运行二进制文件。

bazel build -c opt –copt=-mavx –copt=-mavx2 –copt=-mfma
–copt=-mfpmath=both –copt=-msse4.2 –copt=-cuda -k
//tensorflow/tools/pip_package:build_pip_package
bazel-bin/tensorflow/tools/pip_package/build_pip_package
/tmp/tensorflow_pkg

在/tmp/tensorflow_pkg发生whell文件,再用pip命令安装wheel文件。

TPU 加速、FPGA加速。
谷歌(Google)TensorFlow设计专用集成芯片-张量处理单元(Tensor Processing
Unit,TPU)。CPU逻辑运算(if
else)能力很强,计算能力比GPU差,深度学习需求海量总结。GPU有无往不胜浮点统计单元,GPU着色器(shader)对一批数量以平等步调执行同一指令流水。GPU同一时钟周期执行命令数量千级,3000条。CPU同一时钟周期执行命令数据几十级。数据交互能力远超CPU。GPU逻辑运算能力差,流水线并行能力(同一时钟周期并发执行不一逻辑连串能力)差,要求批数量同步调执行同样逻辑。神经网络要求大规模数据交互能力,CNN卷积、矩阵运算操作,通过数量交互大幅提升性能。
GPU出厂后架构固定,硬件原生帮助指令固定。如神经网络有GPU不帮忙指令,不能直接硬件已毕,只可以软件模拟。FPGA加速,开发者在FPGA里编程,改变FPGA硬件结构。FPGA种类布局不同,不是冯·诺伊曼结构,是代码描述逻辑电路。只要片上逻辑门、引脚够多,全部输入、运算、输出都在一个时钟周期内做到。FPGA一个时钟周期执行两回全部烧好电路,一个模块就一句超复杂“指令”,分裂模块不一致逻辑连串,系列里就一条指令。分歧运算单元硬件直连,数据交互、流水线并行共存(GPU流水线并行能力约0),浮点运算能力不如GPU。适合低顺延预测推理,每批大小较小。
TPU,专用集成电路(application specific integrated
circuit,ASIC),硬件逻辑一旦烧写不可再编程,专门为TensorFlow做深度学习开发。TPU近来版本不可能完整运作TensorFlow功用,高效预测推理,不关乎训练。

机械学习评测系统。

人脸识别性能目标。
鉴别性能,是否鉴别准确。Top-K识别率,给出前K个结果包蕴正确结果概率。错误拒绝辨识率(FNIR),注册用户被系统错误辩识为任何注册用户比重。错误接受辩识率(FPIR),非注册用户被系统识别为某个注册用户比重。
表明性能,验证人脸模型是否足够好。误识率(False Accept
Rate,FAR),将其外人误作指定人士概率。拒识率(False Reject
Rate,FRR),将点名家员误作其余人士概率。识别速度,识别一副人脸图像时间、识别一个人日子。注册速度,注册一个人岁月。

闲话机器人性能目的。
回应正确率、义务已毕率、对话回合数、对话时间、系统平均响应时间、错误新闻率。评价为主单元,单轮对话。人机对话进度,接二连三经过。http://sanwen.net/a/hkhptbo.html
《中国人工智能学会简报》二零一六年第6卷第1期。聊天机器人,机器人答句和用户问句应该语义一致,语法正确,逻辑正确。机器人答句应用有趣、多样,不是直接暴发安全应对。机器人应该个性表达相同,年龄、身份、出生地基本背景新闻、爱好、语言风险应该亦然,能想象成一个出类拔萃人。

机械翻译评价格局。
BLEU(bilingual evaluation
understudy)方法,2002年,IBM沃森讨论中央提议。机器翻译语句与人类专业翻译语句越接近越好。下人工评价中度相关。正确句子作参考译文(reference)、正确句子(golden
sentence),测试句子作候选译文(candidate)。适用测试语料具有多少个参考译文。相比参考译文与候选译文相同片段数量,参考译文再而三出现N元组(N个单词或字)与候选译文N元组相比,n单位部分(n-gram)比较。统计完全同盟N元组个数与参考译文N元组总个数比例。与地方无关。匹配片段数愈来愈多,候选译文质地越好。
METEOR,不仅需求候选译文在总体句子上,在句子分段级别上,都要与参考译文更类似。https://en.wikipedia.org/wiki/METEOR\#Algorithm
。在待评价字符串与参考文符串间创制平面图。待评价翻译每个一元组必须映射到参考翻译1个或0个一元组。选用映射交叉数据较少的。

常用通用评价目标。
准确率、召回率、F值、ROC、AUC、AP、mAP。
ROC(Receiver Operating Characteristic,受试者工作特色曲线)、AUC(Area
Under roc Curve,曲线上边积),评价分类器目的。ROC曲线横坐标FPR(False
positive rate),纵坐标TPR(True positive
rate)。ROC曲线越接近左上角,分类器性能越好。AUC,ROC曲线下方面积大小。ROC曲线处于y=x直线上方,AUC值介于0.5~1.0。AUC值越大表示性能越好。专门AUC统计工具
http://mark.goadrich.com/programs/AUC/
AP(average precision,平均准确性)、mAP(mean average
precision,平均准确性平均)。统计机视觉,分类问题,AP模型分类能力根本目标。只用P(precision
rate, 准确率)和R(recall
rate,召回率)评价,组成PR曲线趋势召回率越高准确率越低。AP曲线上边积,等于对召回率做积分。mAP对持有项目取平均,每个类作一遍二分类任务。图像分类杂谈基本用mAP标准。

当众数据集。

图表数据集。
ImageNet http://www.image-net.org/中国海洋,
。世界最大图像识别数据集,14197122张图像,斯坦福州立大学视觉实验室一生讲师李飞先生飞创造。每年ImageNet大赛是国际计算机视觉一流赛事。
COCO http://mscoco.org/
。微软创设,分割、加字幕标注数据集。目的细分,通过上下文举办分辨,每个图像包含多少个对象对象,当先300000图像,超过2000000实例,80种对象,每个图像包罗5个字幕,包涵100000个人关键点。
CIFAR(Canada Institude For Advanced Research) https://www.cifar.ca/
。加拿大先进技术探讨院采访。8000万小图片数据集。包蕴CIFAR-10、CIFAR-100七个数据集。CIFAR-10,60000张32×32
RGB彩色图片,共10个品类,50000张磨炼,10000张测试(交叉验证)。CIFAR-100,60000张图像,100个类型,每个连串600张图像,500张陶冶,100张测试。20个大类,每个图像包括小品种、大品类四个记号。

人脸数据集。
AFLW(Annotated Facial Landmarks in the Wild)
http://lrs.icg.tugraz.at/research/aflw/
,从Flickr收集带标注面部图像大规模wyskwgk,各样姿态、表情、光照、种族、性别、年龄因素影响图片,25000万手工标注人脸图片,每个人脸标注21个特征点,大部分绚丽多彩,59%女性,41%男性。相当适合人脸识别、人脸检测、人脸对齐。
LFW(Labeled Faces in the Wild Home) http://vis-www.cs.umass.edu/lfw/
。U.S.A.佛蒙特大学阿姆斯特分校总结机视觉实验室整理。13233张图纸,5749人,4096人唯有一张图片,1680个多于一张。用于研商非受限景况人脸识别问题。人脸外形不安定,面部表情、观望角度、光照条件、室内室外、遮盖物(口罩、眼镜、帽子)、年龄影响。为文化界评价识别性能标准(benchmark)。
GENKI http://mplab.ucsd.edu
,爱达荷大学搜集。包涵GENKI-R2009a、GENKI-4K、GENKI-SZSL。GENKI-R2009a,11159图形。GENKI-4K,4000图片,笑与不笑两类,每个图片人脸姿势、头转动标注角度,专用笑脸识别。GENKI-SZSL,3500图像,广泛背景、光照条件、地理地点、个人身份、种族。
VGG Face http://www.robots.ox.ac.uk/~vgg/data/vgg\_face/
。2622个不等人,每个人1000张图纸,训练人脸识别大数据集。
CelebA(Large-scale CelebFaces Atributes,大规模名家人脸标注数据集)
http://mmlab.ie.cuhk.edu.hk/projects/CelebA.html
。10177个有名气的人,202599张有名的人图像,每张图像40个属性标注。

视频数据集。
YouTube-8M https://research.google.com/youtube8m/
。800万个YouTube录像URL,50万小时长度视频,带有视频标注。

问答数据集。
MS MARCO(Microsoft Machine Reading Comprehension) http://www.msmarco.org
。微软公告,10万个问题和答案数据集。制造像人类一样阅读、回答问题系统。基于匿名真实数据构建。
康奈尔大学影视独白数据集
https://www.cs.cornell.edu/~cristian/Cornell\_Movie-Dialogs\_Corpus.html
。600部好莱坞影片独白。

机关驾驶数据集。
法国国家音讯与自动化商量所客人数据集(INRIA Person Dataset)
http://pascal.inrialpes.fr/data/human/
。作为图像和视频中直立人检测研讨工作有的征集。图片两种格式,一独具相应注释文件原始图像,二怀有原始图像经过正规处理64×128像素正像。图片分唯有车、唯有人、有车有人、无车无人4个项目。
KITTI(Karlsruhe Institute of Technology and Toyota Technological
Institute) http://www.cvlibs.net/datasets/kitti/
。车辆数据集,7481个教练图片、7518个测试图片。标注车辆档次、是否截断、遮挡处境、角度值、二维和三维框、地点、旋转角度。

年龄、性别数据集。
Adience 数据集 http://www.openu.ac.il/home/hassner/Adience/data.html
。来源Flickr相册。用户用智能手机设备拍摄,2284序列,26580张图片。保留光照、姿势、噪声影响。性别、年龄算计、人脸检测。

参考资料:
《TensorFlow技术解析与实战》

欢迎推荐新加坡机械学习工作机会,我的微信:qingxingfengzi