google机器学习教程
安妮 岳排槐 发自 凹非寺
量子位 出品 | 公众号 QbitAI
如果你的心里只有一件事。
请问：是不是学习？
Google希望你是，而且还准备扶上马，再送一程。
所以今天一早，大礼包又来了。
手把手教你
今年春天，Google发布了机器学习速成课，英文简称MLCC。而且这套基本全程都有中文的课程，还是完全免费的。
这还不够。
Google觉得光学理论还不够，必须教你理论与实战相结合。
所谓：知行合一。
于是，Google发布了最新的一套课程：Machine Learning Practica（机器学习实践）。这套课程会示范Google如何在产品中使用机器学习。
课程地址在此：
https://developers.google.com/machine-learning/practica/
（.cn域名地址亲测可用）
与之前的课程不同，这套动手实践课程中，包括视频、文档和交互式编程练习。目前已经上线的第一课是图像分类。
在图像分类的实践课程中，可以学习Google如何开发利用最先进的图像分类模型，这也是Google相册背后的核心技术。
迄今为止，已有超过1万名Google员工利用这个实践课程来训练他们自己的图像分类器，最终实现可以识别照片中的猫猫狗狗。
课前准备
想要学习这套课程，也有一些基础要求。
主要是两点：
学过Google机器学习速成课，或者了解机器学习的基本概念
有不错的编程基础知识，以及有一些Python编程经验
这套实践课程使用了Keras API。以及课程中的编程练习，使用了Colab。使用Colab不要求之前有过Keras经验。
课程中代码基本可算是提供了逐步的解释。
目前这套实践课程只发布了图像分类一组，但Google表示更多的实践课程正在：肮！啧！味！
课程简介
在这个课程中，Google首先介绍了图像分类的基本原理，讲述了卷积神经网络（CNN）的构建，以及池化、全连接等概念。
然后，Google会引导你从头开始构建一个CNN网络，并且学习如何防止过拟合，以及利用训练模型进行特征提取和微调。
实践课程一共包括三组练习，分别是：
Exercise 1: Build a Convnet for Cat-vs-Dog Classification
带你构建一个猫狗分类的卷积网络。
Exercise 2: Preventing Overfitting
教你如何防止过拟合，改善提高CNN模型。
Exercise 3: Feature Extraction and Fine-Tuning
教你如何通过特征提取和微调来使用Google的Inception v3模型，并为上面两个练习完成的分类器获取更好的准确性。
课程示范
量子位潜入这个课程内部，带回了第二个实践练习。在这堂课里，谷歌想教会大家在猫狗图像分类中，如何减少过拟合。大家感受一下——
练习2：减少过拟合
预计完成时间：30分钟
在本节练习中，我们将基于在练习1中创建的模型将猫狗分类，并通过一些策略减少过拟合：也就是数据增强（Data Augmentation）和正则化方法dropout，从而提高准确性。
和长颈鹿被关进冰箱一样，这得分四步走：
通过对训练图像进行随机转换，来探索数据增强的玩法
在我们数据处理的过程中应用数据增强
在转换中加入dropout
重新训练模型，评估损失和精确度
Let’s get started吧！
数据增强の探索
数据增强是减少视觉模型过拟合的基本方法了，因为我们手头的训练实例为数不多，为了充分利用，我们可通过一些随机的变换“增强”它们，对模型来说，这是不同的图像~
这可以通过在ImageDataGenerator实例读取的图像上增加一些随机转换来实现，比如：
from keras.preprocessing.image import ImageDataGenerator
datagen = ImageDataGenerator(
rotation_range=,
width_shift_range=,
height_shift_range=,
shear_range=,
zoom_range=,
horizontal_flip=True,
fill_mode='nearest')
还有一些可用的选择：
rotation_range是在0-180之间的一个值，可在此角度内随机图片。
width_shift和height_shift是个范围，指的总宽度或高度的一部分，图像可在此范围内垂直或水平随机。
shear_range用于随机。
zoom_range用来随机图片的。
horizontal_flip用于水平随机翻转图像的一半。
fill_mode是用来新创造的像素，在图像随机垂直或水平变换后可能用到
注意：此练习中使用的2000张图片摘自Kaggle上的“狗vs猫”数据集，包含25000张图片。为了节约训练时间，这里我们只用到其中的一个子集。
!wget --no-check-certificate
https://storage.googleapis.com/mledu-datasets/cats_and_dogs_filtered.zip -O
/tmp/cats_and_dogs_filtered.zip
import os
import zipfile
local_zip = '/tmp/cats_and_dogs_filtered.zip'
zip_ref = zipfile.ZipFile(local_zip, )
zip_ref.extractall('/tmp')
zip_ref.close()
base_dir = '/tmp/cats_and_dogs_filtered'
train_dir = os.path.join(base_dir, 'train')
validation_dir = os.path.join(base_dir, 'validation')
# Directory with our training cat pictures
train_cats_dir = os.path.join(train_dir, 'cats')
# Directory with our training dog pictures
train_dogs_dir = os.path.join(train_dir, 'dogs')
# Directory with our validation cat pictures
validation_cats_dir = os.path.join(validation_dir, 'cats')
# Directory with our validation dog pictures
validation_dogs_dir = os.path.join(validation_dir, 'dogs')
train_cat_fnames = os.listdir(train_cats_dir)
train_dog_fnames = os.listdir(train_dogs_dir)接下来，我们将datagen转换应用到训练集里的猫咪图像，生成5个随机变量。这个单元需多运行几次，找到新批次中的随机变量。
%matplotlib inline
import matplotlib.pyplot plt
import matplotlib.image mpimg
from keras.preprocessing.image import array_to_img, img_to_array, load_img
img_path = os.path.join(train_cats_dir, train_cat_fnames[])
img = load_img(img_path, target_size=(, )) # this is a PIL image
x = img_to_array(img) # Numpy array with shape (150, 150, 3)
x = x.reshape((,) + x.shape) # Numpy array with shape (1, 150, 150, 3)
# The .flow() command below generates batches of randomly transformed images
# It will loop indefinitely, so we need to `break` the loop at some point!
i =
batch datagen.flow(x, batch_size=):
plt.figure(i)
imgplot = plt.imshow(array_to_img(batch[]))
i +=
i % == :
break在数据处理过程中应用数据增强
现在，将上述增强的数据应用到数据预处理配置中——
# Adding rescale, rotation_range, width_shift_range, height_shift_range,
# shear_range, zoom_range, and horizontal flip to our ImageDataGenerator
train_datagen = ImageDataGenerator(
rescale=/,
rotation_range=,
width_shift_range=,
height_shift_range=,
shear_range=,
zoom_range=,
horizontal_flip=True,)
# Note that the validation data should not be augmented!
test_datagen = ImageDataGenerator(rescale=/)
# Flow training images in batches of 32 using train_datagen generator
train_generator = train_datagen.flow_from_directory(
train_dir, # This is the source directory for training images
target_size=(, ), # All images will be resized to 150x150
batch_size=,
# Since we use binary_crossentropy loss, we need binary labels
class_mode='binary')
# Flow validation images in batches of 32 using test_datagen generator
validation_generator = test_datagen.flow_from_directory(
validation_dir,
target_size=(, ),
batch_size=,
class_mode='binary')
神奇之处是，若用增强的数据来训练模型，则不会被认为是相同示例（虽然它们都是从一张图片上得到的）。不过模型眼中这些输入仍紧密相关的，所以还不足以完全消除过拟合
加入Dropout
不过~还有另外一种流行的策略能减少过拟合，即dropout。
如果你想了解过拟合的基本概念，这里自卖自夸推荐两个之前免费课程中的相关介绍：
https://developers.google.com/machine-learning/crash-course/training-neural-networks/video-lecture
https://developers.google.com/machine-learning/crash-course/
我们从练习1重新配置我们的convnet架构，在最后的分类层前试图添加一些dropout。
from keras.models import Model
from keras import layers
from keras.optimizers import RMSprop
from keras import backend K
import tensorflow tf
# Configure the TF backend session
tf_config = tf.ConfigProto(
gpu_options=tf.GPUOptions(allow_growth=True))
K.set_session(tf.Session(config=tf_config))
# Our input feature map is 150x150x3: 150x150 for the image pixels, and 3 for
# the three color channels: R, G, and B
img_input = layers.Input(shape=(, , ))
# First convolution extracts 16 filters that are 3x3
# Convolution is followed by max-pooling layer with a 2x2 window
x = layers.Conv2D(, , activation='relu')(img_input)
x = layers.MaxPooling2D()(x)
# Second convolution extracts 32 filters that are 3x3
# Convolution is followed by max-pooling layer with a 2x2 window
x = layers.Conv2D(, , activation='relu')(x)
x = layers.MaxPooling2D()(x)
# Third convolution extracts 64 filters that are 3x3
# Convolution is followed by max-pooling layer with a 2x2 window
x = layers.Convolution2D(, , activation='relu')(x)
x = layers.MaxPooling2D()(x)
# Flatten feature map to a 1-dim tensor
x = layers.Flatten()(x)
# Create a fully connected layer with ReLU activation and 512 hidden units
x = layers.Dense(, activation='relu')(x)
# Add a dropout rate of 0.5
x = layers.Dropout()(x)
# Create output layer with a single node and sigmoid activation
output = layers.Dense(, activation='sigmoid')(x)
# Configure and compile the model
model = Model(img_input, output)
model.compile(loss='binary_crossentropy',
optimizer=RMSprop(lr=0.001),
metrics=['acc'])重新训练模型
随着数据的增加和dropout的填入，我们需要重新训练convnet模型。
这一次，我们训练全部的2000张图片，训练了30轮，并对验证了所有的1000个测试图像。
这可能需要几分钟的时间，检验一下你是否能自己编写代码了。
# WRITE CODE TO TRAIN THE MODEL ON ALL 2000 IMAGES FOR 30 EPOCHS, AND VALIDATE
# ON ALL 1,000 TEST IMAGES评估结果
接下来，我们用数据增强和dropout评估模型训练的结果。
# Retrieve a list of accuracy results on training and test data
# sets for each training epoch
acc = history.history['acc']
val_acc = history.history['val_acc']
# Retrieve a list of list results on training and test data
# sets for each training epoch
loss = history.history['loss']
val_loss = history.history['val_loss']
# Get number of epochs
epochs = range(len(acc))
# Plot training and validation accuracy per epoch
plt.plot(epochs, acc)
plt.plot(epochs, val_acc)
plt.title('Training and validation accuracy')
plt.figure()
# Plot training and validation loss per epoch
plt.plot(epochs, loss)
plt.plot(epochs, val_loss)
plt.title('Training and validation loss')结果不错！模型已经不再过拟合。
事实上，从我们的训练资料来看，随着训练次数的增加，模型的准确度会达到80%!
在运行练习3之前，我们还需要运行以下单元来释放kernel和空闲的内存资源：
import os, signal
os.kill(os.getpid(), signal.SIGKILL)One More Thing
不知道是不是忙中出错，Google这套全新的课程，在我们发稿的时候，出现了一个尴尬的问题：练习课程无法访问。
你点击练习之后，原本应该是转入一个Colab页面，但是却把多数用户挡在一个这样的界面之上。如图：
链接地址：https://login.corp.google.com
这是啥？
其实，这就是大名鼎鼎的moma，一个Google内部的搜索工具。如果你是Google员工，就能登录访问，进入Google内网。
可能是因为这套实践课程，和MLCC一样，也是之前面向Google内部的课程，所以出现了现在略微尴尬的一幕。
不过我们推送前，这个问题已经修复了。
最后，推荐一些之前的课程。
推荐阅读：
通俗易懂讲解感知机（三）--收敛性证明与对偶形式以及python代码讲解
内容转载自公众号