Github项目推荐 | Full Stack Deep Learning Labs - 全栈深度学习训练营（课程视频）

本项目是在Full Stack深度学习训练营的实验课期间开发的。

Github项目地址：

https://github.com/full-stack-deep-learning/fsdl-text-recognizer-project

课程视频地址：

https://fullstackdeeplearning.com/march2019（Youtube视频）

• 我们将从头开始构建手写识别系统，并将其部署为Web服务。

• 使用Keras，但设计为模块化、可编程和可扩展

• 提供并行训练模型的代码，并在权重和偏差中存储评估

• 我们将为我们的代码库建立持续集成系统，这个系统将会检查代码的功能并评估即将部署的模型。

• 我们将预测系统打包为REST API，可部署为Docker容器。

• 我们将把预测系统作为一个无服务器的函数部署到Amazon Lambda中。

• 最后，我们将设置监控功能，以便在传入数据分布发生变化时提醒我们。

2019年春季训练营的时间表

第一节（90分钟）

• 实验课概述。 （15分钟）

• 进行设置。 （10分钟）

• 实验1（20分钟）：项目结构。

• 实验2（25分钟）：介绍EMNIST。 训练代码的细节。 训练和评估角色预测基线。

• 实验3（20分钟）：介绍EMNIST系列。 模型架构概述。 在EMNIST Lines上训练我们的模型。

第二节（60分钟）

• 实验4（20分钟）：权重与偏差+平行实验。

• 实验5（40分钟）：IAM线路和实验时间（启动一系列实验，让它们在共享的W&B中运行一整夜）。

第三节（90分钟）

• 查看W＆B课程的结果

• 实验6（60分钟）：行检测任务

• 实验7（30分钟）：数据标记

• 通过数据版本控制，甚至可以为第一天生成的新数据添加一些标签界面

第四节（75分钟）

• 实验8（15分钟）：持续整成

• 实验9（60分钟）：Web部署

设置

1.注册W＆B

前往 https://app.wandb.ai ，点击‘sign up’，使用Github账号注册（如果你愿意，也可以用其他方式注册）

2.设置JupyterLab实例

前往 https://app.wandb.ai/profile ，在Access code字段中输入我们将在会话中与你共享的代码。你应该将其放入具有2个GPU的JuypyterLab实例中以便在实验中使用。

3.检查项目仓库

你的主目录中应该有项目仓库了，请进行访问并检查是否为最新版本。

cd fsdl-text-recognizer-projectgit pull origin master

如果没有，请在JupyterLab实例中打开一个shell并运行：

git clone https://github.com/gradescope/fsdl-text-recognizer-project.gitcd fsdl-text-recognizer-project

4.设置Python环境

运行：

pipenv install --dev

从现在开始，使用 pipenv run 运行前面的命令以确保它们使用正确的环境。

准备好了吗？

现在你应该为实验做准备了。每个实验的说明都在它们文件夹中的自述文件中。

你会注意到，在repo中也有针对所有实验的解决方案。如果你遇到了困难，欢迎你来看看！

今日话题讨论

点击 阅读原文，查看更多内容