已完成的工作: 1.

學(xué)習(xí)了flask框架的概念與使用，以將python的深度學(xué)習(xí)算法部署到web網(wǎng)頁中，F(xiàn)lask是一個輕量級的可定制框架，使用Python語言編寫，較其他同類型框架更為靈活、輕便、安全且容易上手。它可以很好地結(jié)合MVC模式進(jìn)行開發(fā)，可以完成功能豐富的中小型網(wǎng)站或Web服務(wù)的實(shí)現(xiàn)。我使用flask框架將一些簡單的計算程序成功部署到了web頁面上。

眉山網(wǎng)站建設(shè)公司創(chuàng)新互聯(lián)公司,眉山網(wǎng)站設(shè)計制作，有大型網(wǎng)站制作公司豐富經(jīng)驗(yàn)。已為眉山上千余家提供企業(yè)網(wǎng)站建設(shè)服務(wù)。企業(yè)網(wǎng)站搭建\外貿(mào)網(wǎng)站制作要多少錢，請找那個售后服務(wù)好的眉山做網(wǎng)站的公司定做！2.

根據(jù)ResNet50網(wǎng)絡(luò)的結(jié)構(gòu)圖，參考開源代碼，完成了網(wǎng)絡(luò)構(gòu)建，根據(jù)已有的10位作家的作品集完成了模型的訓(xùn)練，得到了較好的識別準(zhǔn)確率。

3.

對網(wǎng)站前端的實(shí)現(xiàn)，如顯示界面UI等，以及部分報告的編寫。目前已經(jīng)制作好了項(xiàng)目的網(wǎng)頁，等項(xiàng)目初步完成后再做相應(yīng)的細(xì)節(jié)修改即可。

4.

在colab上運(yùn)行圖像識別算法代碼

階段成果：

運(yùn)行時報錯：CUDA out of memory

于是查看GPU內(nèi)存占用情況，首先安裝支持包

然后運(yùn)行以下代碼：

import psutil

import humanize

import os

import GPUtil as GPU

GPUs = GPU.getGPUs()

# XXX: only one GPU on Colab and isn’t guaranteed

gpu = GPUs[0]

def printm():

process = psutil.Process(os.getpid())

print("Gen RAM Free: " + humanize.naturalsize(psutil.virtual_memory().available), " | Proc size: " + humanize.naturalsize(process.memory_info().rss))

print("GPU RAM Free: {0:.0f}MB | Used: {1:.0f}MB | Util {2:3.0f}% | Total {3:.0f}MB".format(gpu.memoryFree, gpu.memoryUsed, gpu.memoryUtil*100, gpu.memoryTotal))

printm()

得到GPU占用情況，發(fā)現(xiàn)占用已滿，接著使用命令!ps -aux|grep python查看具體占用情況

使用!kill -9 pid釋放內(nèi)存，釋放完后再次查看GPU內(nèi)存占用情況

發(fā)現(xiàn)內(nèi)存很充足，將Dataloader的參數(shù)batch_size更改為2，num_workers更改為2，再次運(yùn)行，沒有出現(xiàn)CUDA out of memory錯誤

計劃的工作: 1.

利用flask框架將圖像識別算法部署到web頁面上，用戶在進(jìn)行畫像上傳時，web頁面把收集到的畫像傳給后臺的圖像識別算法進(jìn)行處理，再把得到的結(jié)果返回到web頁面上。

2.

實(shí)現(xiàn)對ART數(shù)據(jù)集49位畫家的畫作分類，只需調(diào)整參數(shù)即可；嘗試采用其他網(wǎng)絡(luò)模型或者檢查網(wǎng)絡(luò)模型的問題，以提高準(zhǔn)確率

遇到的困難: 1.

flask框架的語法與python略有不同，在學(xué)習(xí)時需要注意正確使用，以把python語句上傳到web頁面上。

2.

當(dāng)前采用的網(wǎng)絡(luò)準(zhǔn)確率在85%-90%之間，似乎并不夠高

個人收獲: 關(guān)子琦.

掌握了flask框架的使用,對深度學(xué)習(xí)算法和web頁面的結(jié)合有了更深的理解，同時也加強(qiáng)了對前端和后端工作的理解，為制作一個功能齊全的網(wǎng)頁，二者缺一不可。

別鵬飛.

深入了解了resnet50網(wǎng)絡(luò)模型的結(jié)構(gòu)并根據(jù)資料進(jìn)行了模型組網(wǎng)，完成了網(wǎng)絡(luò)的實(shí)現(xiàn)并得到了不錯的識別準(zhǔn)確率，也了解了許多其他網(wǎng)絡(luò)模型，包括一些復(fù)雜網(wǎng)絡(luò)，如densenet201。通過這次實(shí)驗(yàn)，我對神經(jīng)網(wǎng)絡(luò)模型尤其是經(jīng)典的resnet50有了較好地理解。

代碼：（網(wǎng)絡(luò)模型）

#卷積層2（包括卷積，池化，激活）

layer_conv2 = create_convolutional_layer(input=layer_conv1,

num_input_channels=num_filters_conv1,

conv_filter_size=filter_size_conv2,

num_filters=num_filters_conv2)

#卷積層3（包括卷積，池化，激活）

layer_conv3= create_convolutional_layer(input=layer_conv2,

num_input_channels=num_filters_conv2,

conv_filter_size=filter_size_conv3,

num_filters=num_filters_conv3)

#把上面三個卷積層處理后的結(jié)果轉(zhuǎn)化為一維向量，提供給全連層

layer_flat = create_flatten_layer(layer_conv3)

#全連接層1

layer_fc1 = create_fc_layer(input=layer_flat,

num_inputs=layer_flat.get_shape()[1:4].num_elements(),

num_outputs=fc_layer_size,

use_relu=True)

#全連接層2

layer_fc2 = create_fc_layer(input=layer_fc1,

num_inputs=fc_layer_size,

num_outputs=num_classes,

use_relu=False)

李柏林.

在本次項(xiàng)目中，雖然我參與編寫的部分不多，但是在之前的相關(guān)學(xué)習(xí)中我也了解了很多有關(guān)這個項(xiàng)目的其他很多知識。我負(fù)責(zé)的部分，雖然是整個項(xiàng)目最簡單的部分，但是做起來還是有很多問題，從一開始的平臺搭建到后面的具體代碼書寫，一路走來總是磕磕絆絆，但是還好網(wǎng)絡(luò)中有許多學(xué)習(xí)資源，對照著網(wǎng)上的教程一點(diǎn)點(diǎn)開始最后還是完成了，看著自己一點(diǎn)點(diǎn)“畫”出來的網(wǎng)頁，心中還是滿感慨的，從這節(jié)課的開始到現(xiàn)在也確確實(shí)實(shí)學(xué)到了東西，也對軟件工程這門課有了更深入的了解和感悟。

呂思毅.

每運(yùn)行一次程序需要很長時間，調(diào)試起來很麻煩

燃盡圖

組會照片

你是否還在尋找穩(wěn)定的海外服務(wù)器提供商？創(chuàng)新互聯(lián)www.cdcxhl.cn海外機(jī)房具備T級流量清洗系統(tǒng)配攻擊溯源，準(zhǔn)確流量調(diào)度確保服務(wù)器高可用性，企業(yè)級服務(wù)器適合批量采購，新人活動首月15元起，快前往官網(wǎng)查看詳情吧

新聞標(biāo)題：第十小組Alpha沖刺(3/3)-創(chuàng)新互聯(lián)
當(dāng)前鏈接：http://weahome.cn/article/dsices.html