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。
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
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)
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。
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-project
git 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
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。
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!
点击 阅读原文,查看更多内容