這期內(nèi)容當中小編將會給大家?guī)碛嘘P(guān)如何使用ModelArts的自動學(xué)習(xí)識別毒蘑菇分類，文章內(nèi)容豐富且以專業(yè)的角度為大家分析和敘述，閱讀完這篇文章希望大家可以有所收獲。

創(chuàng)新互聯(lián)建站是一家專注于網(wǎng)站制作、成都網(wǎng)站設(shè)計與策劃設(shè)計,君山網(wǎng)站建設(shè)哪家好?創(chuàng)新互聯(lián)建站做網(wǎng)站,專注于網(wǎng)站建設(shè)10余年,網(wǎng)設(shè)計領(lǐng)域的專業(yè)建站公司;建站業(yè)務(wù)涵蓋:君山等地區(qū)。君山做網(wǎng)站價格咨詢:028-86922220

想當年，白雪公主吃了毒蘑菇，換來了白馬王子的一吻。如果白雪公主沒有吃毒蘑菇，還會遇到白馬王子嗎？張小白覺得不見得——說不定她會遇到張小白。張小白給她AI MindSpore Lite推理了一下，她就不會中毒，也就會鐘情于張小白的AI的神奇，也就不會移情給白馬王子了。

為了早日給白雪公主安利一下毒蘑菇的知識點，張小白今天就寫下了這篇通過ModelArts自動學(xué)習(xí)進行毒蘑菇分類的文字，希望白雪公主能夠看到，并關(guān)注點個贊什么的。

ModelArts的自動學(xué)習(xí)功能也就幾步：

（1）準備毒蘑菇數(shù)據(jù)集

（2）創(chuàng)建自動學(xué)習(xí)項目，進行數(shù)據(jù)標注

（3）對數(shù)據(jù)集進行模型訓(xùn)練

（4）將訓(xùn)練好的模型部署上線

（5）測試已部署上線的服務(wù)，進行蘑菇圖片的推理。

先來創(chuàng)建數(shù)據(jù)集：首先把毒蘑菇的數(shù)據(jù)集準備好，點擊以下鏈接下載zip包：

https://ascend-tutorials.obs.cn-north-4.myhuaweicloud.com/resnet-50/demo/ResNet-50%E8%BF%9B%E9%98%B6%E4%BD%9C%E4%B8%9A%E4%B8%80%E9%94%AE%E4%B8%8B%E8%BD%BD%E5%8C%85.zip

文件有951M，耐心下載。下載完畢后將其解壓，

打開mushrooms/train文件夾,下面存放了毒蘑菇圖片的9個分類。

將這些圖片（帶目錄）上傳到自己的OBS桶中。

張小白上傳的OBS路徑為是obs://mindspore-21day-tutorials/resnet-50-2/mushrooms/train/

然后，新建一個dataset-dumogu數(shù)據(jù)集：

由于OBS里面是按照目錄分類的，可以先導(dǎo)入第一個目錄，如上圖所示。

輸入：/mindspore-21day-tutorials/resnet-50-2/mushrooms/train/Agaricus/

輸出：/mindspore-21day-tutorials/resnet-50-2/output-mindspore/

創(chuàng)建后，可以先將目前導(dǎo)入的圖片全部標注為Agaricus。

標注完這一類之后，可以在這個數(shù)據(jù)集上面點擊”導(dǎo)入“

填入第二個分類的OBS位置：

點擊確定。

系統(tǒng)會進行該目錄數(shù)據(jù)集的導(dǎo)入任務(wù)。

導(dǎo)入完畢，可以當看到 已標注的個數(shù)和整個數(shù)據(jù)集的數(shù)量：

本次導(dǎo)入的圖片（數(shù)據(jù)集）會是未標注狀態(tài)：

此時可將點擊圖片下方每頁顯示的最大數(shù)量跳到最大（目前是60),然后再選擇”選擇當前頁“.

并在標簽名中輸入這類未標注的圖片的標簽，如Suillus,點擊確認。

可看到未標注的數(shù)量在減少，而已標注為Suillus的圖片數(shù)量在增加：

如此反復(fù)標注 未標注的圖片，直到未標注的圖片全部標注完畢，然后再進行其他目錄（其他類別）的數(shù)據(jù)集的導(dǎo)入和標注。如此反復(fù)，直到標注完全結(jié)束。

（這確實是一個體力活，人稱”數(shù)據(jù)標注工程師“。）

好了，我們的數(shù)據(jù)集就準備好了。

在標注完之后，ModelArts會在 前面設(shè)置的輸出目錄下生成以下目錄：

這之下又有5個目錄：

其中annotation目錄是標注文件目錄，里面內(nèi)容為：

V002.manifest。

打開后，具體內(nèi)容如下：

{"annotation":[{"name":"Cortinarius","type":"modelarts/image_classification","creation-time":"2020-11-11 11:07:34","annotated-by":"human/zhanghui_china/zhanghui_china"}],"usage":"train","source":"s3://mindspore-21day-tutorials/resnet-50-2/mushrooms/train/Agaricus/import_1605064037231/219_m7t5mnXvmsw.jpg","id":"0008324d2a2933fa17ef490e8413edc1","sample-type":0}

其中將圖片和類別的關(guān)系標注在JSON中。

第二步，我們來建立一個自動學(xué)習(xí)的任務(wù)。

打開自動學(xué)習(xí)菜單。

點擊創(chuàng)建項目，輸入名稱: exeML-dumogu，選擇”已有數(shù)據(jù)集“并選中剛才創(chuàng)建的dataset-dumogu數(shù)據(jù)集。

然后打開建好的項目exeML-dumogu,點擊右邊紅色的開始訓(xùn)練：

系統(tǒng)彈出以下菜單，輸入訓(xùn)練驗證比例未0.8，0.2，確定后開始模型訓(xùn)練。

確認配置后提交，

系統(tǒng)就開始進行模型訓(xùn)練：

訓(xùn)練完畢后，會提示精確率，準確率，召回率等值，關(guān)鍵看準確率吧——94%，還可以。

點擊上圖的部署按鈕們開始進行部署。

下一步：

點擊提交后，

耐心等待，也可以在”部署上線“-”在線服務(wù)“菜單看到部署的進度。

部署完畢后，出現(xiàn)以下畫面：

可以點擊”上傳“，上傳一些待預(yù)測的圖片。

比如上圖，55%的機率是Agaricus...

我們上傳一個真的Agaricus

得分1.0. 完全準確。

以上都是從數(shù)據(jù)集里面直接拿的圖片，得分不是1.00就是0.99，飛常準。

張小白再從網(wǎng)上找一些毒蘑菇的圖片：

這就有高有低了。

再找?guī)讖埧梢猿缘?，如金針菇和香菇?/p>

好，我們回過頭來看看這9個分類的具體含義：

label_list = ["Agaricus雙孢蘑菇,傘菌目,蘑菇科,蘑菇屬,廣泛分布于北半球溫帶,無毒",              "Amanita毒蠅傘,傘菌目,鵝膏菌科,鵝膏菌屬,主要分布于我國黑龍江、吉林、四川、西藏、云南等地,有毒",              "Boletus麗柄牛肝菌,傘菌目,牛肝菌科,牛肝菌屬,分布于云南、陜西、甘肅、西藏等地,有毒",              "Cortinarius擲絲膜菌,傘菌目,絲膜菌科,絲膜菌屬,分布于湖南等地(夏秋季在山毛等闊葉林地上生長)",              "Entoloma霍氏粉褶菌,傘菌目,粉褶菌科,粉褶菌屬,主要分布于新西蘭北島和南島西部,有毒",              "Hygrocybe淺黃褐濕傘,傘菌目,蠟傘科,濕傘屬,分布于香港(見于松仔園),有毒",              "Lactarius松乳菇,紅菇目,紅菇科,乳菇屬,廣泛分布于亞熱帶松林地,無毒",              "Russula褪色紅菇,傘菌目,紅菇科,紅菇屬,分布于河北、吉林、四川、江蘇、西藏等地,無毒",              "Suillus乳牛肝菌,牛肝菌目,乳牛肝菌科,乳牛肝菌屬,分布于吉林、遼寧、山西、安徽、江西、浙江、湖南、四川、貴州等地,無毒",
              ]

自己找的幾個毒蘑菇圖片，分別被識別為：

Russula，無毒
Amanita，有毒
Lactarius，無毒
Amanita，有毒
Hygrocybe，有毒
Amanita，有毒
Lactarius，無毒---------白雪公主的中毒率為 3/7.

而張小白找的那2張食用菇的圖片，分別被識別為：

Lactarius，無毒
Lactarius，無毒---------白雪公主吃到美食的概率是 100%。

看來，7個小矮人還是有必要出現(xiàn)的，至少可以幫白雪公主試7次毒。

至于在實戰(zhàn)營得到的一個關(guān)鍵知識，也需要在這里強調(diào)下：ResNet卷積神經(jīng)網(wǎng)絡(luò)，肯定會給一張并沒有分類的圖片搞個分類的，即便它不屬于任何分類，也會強分一下，只不過得分會稍微低一點，比如0.5，0.6，0.7之類的。這個并不是這個網(wǎng)絡(luò)的無能，而是在深度學(xué)習(xí)這塊，現(xiàn)在就只能到這里了。

所以，張小白認為，如果在得分特別低的情況下，咱就暫且在應(yīng)用上不將其歸類就是了。（或者寫上得分，讓別人看到，反正真的不是也是個概率問題，也不能怪ResNet。說了這些，張小白感覺這個好像天氣預(yù)報的概率指數(shù)啊。）

上述就是小編為大家分享的如何使用ModelArts的自動學(xué)習(xí)識別毒蘑菇分類了，如果剛好有類似的疑惑，不妨參照上述分析進行理解。如果想知道更多相關(guān)知識，歡迎關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道。