需要回答一些与机器学习相关的问题吗？

Question

最近，我们计划构建一个用于图像处理的系统，以从图像中提取信息。目前我们正在使用AWS Rekognition 来执行此操作。但是，在某些情况下，我们无法从 AWS 获得准确的信息。因此，我们计划构建自己的自定义。

我们有 4/5 个月的时间来完成这项工作。至少有一个POC 版本。此外，我们计划为此使用Tensorflow。我们都没有机器学习和深度学习的经验，但已经有 5/6 年的使用不同语言的计算机编程经验。

目前，我正在通过Udemy 的课程学习 ML，我解决此问题的方法是...

• 学习机器学习 (ML)
• 学习深度学习 (DL)
• 在 ML 和 DL 之上，也许我已经准备好了解整个事情并能够构建一个图像处理系统。

概括地说，我的理解是，我必须使用Tensorflow 在Python 中编写一个深度学习程序。通过使用该程序，我必须建立一个模型。然后我必须使用一些训练数据来训练该模型。然后，当我的模型达到一定的准确度时，我将使用一些测试数据。

现在，有些地方我有点困惑，这里是我关于这种困惑的问题......

1. 我知道tensorflow 是一个库，但在某些地方，它也被称为系统。那么，它真的只是一个库（一段代码）吗？

2. 我在Tensorflow 教程部分 (https://www.tensorflow.org/tutorials/image_recognition) 中获得了一些图像处理 Python 代码。我们已经测试了该代码，它的工作方式与AWS Recognition 服务的工作方式完全相同。所以，我的疑问是……我可以在生产工作中使用这个 Python 代码吗？

3. 在使用一些训练数据训练模型后，这些训练数据是否会成为整个系统的一部分，或者机器学习模型会从这些训练数据中提取一些 META 信息并保留自己而不是完整的原始训练数据（在我的情况下是'将是原始图像）。

4. 我可以在我的 Linux 系统上进行所有这些 ML+DL 编程吗？它有 Pentium 4 和 8GB RAM。

5. 另外，想知道...我提到的为我的问题构建解决方案的方法就足够了，或者我还需要做其他事情。

需要一些指导来消除所有这些困惑。

谢谢

Answer 1

1 : tensor-flow 就像我们使用过的任何其他东西（比如 Numpy ），但唯一的区别是我们必须首先定义我们想要使用它的东西，tensor-flow 中的每一件事都遇到了计算图和评估图中的每件事都需要一个 Session ，我们可以称它为库，因为它只是一段代码并在 python 中具有接口，而系统则因为它使用了所有这些机制

2： can I use this Python code as it is in our production work?为什么不呢！

3： 是的，你可以用你的系统做到这一点，但是 tensor-flow 和 theano 的主要优势，.. 像这样的工具是你可以在 GPU 上运行你的代码，它比在 CPU 上运行得更快，因为 GPU 可以处理很多事情更多矩阵乘法之类的东西

4: 你知道你不需要学习所有机器学习的东西来建立一个图像识别系统，你可能需要几年时间才能理解那里发生了什么，Udemy 课程是很好的来源，但我强烈推荐你查看coursera的机器学习课程，那里有关于机器学习的课程：伟大的Andrew NG课程和Emily fox课程，第一个比实际更理论，但第二个更实用， 关于深度学习，深度学习没有什么花哨的，它只是机器学习中的一种方法，在你获得一些机器学习经验并了解一些基本知识或者你可以做对了之后，去fast.ai，它有一个非常好的编码器深度学习课程，而且它也是免费的

希望对你有帮助