从零开始搭建和运行一个小型AI模型

AI模型如ChatGPT、Alpaca、ChatGLM和Bloom等大模型成为热门话题的同时,许多人可能感到时间紧迫,想要跟上AI时代的步伐。然而,对于一般人来说,进入AI领域似乎需要大量资源和知识。本文将以工程师的视角,从零开始搭建和运行一个小型AI模型,以便更接地气地理解AI的工作原理。

开篇故事

假设你是一位普通的工程师,对AI领域充满好奇心,但你认为学习AI需要庞大的算力和海量的数据,感到无从下手。然而,你相信时代不会放弃那些跟不上它步伐的人,而是会压倒他们,因此,你决定学习一些AI知识,以便更好地适应这个新时代。

AI模型的工作原理

首先,我们需要了解AI模型是如何工作的。神经网络是AI的核心计算模型,而深度学习则通过神经网络实现特征学习和模式分析,广泛应用于图像识别等领域。为了更好地理解,我们以最基础的手写数字识别为例,看看一个神经网络的AI模型是如何工作的。

MNIST(Modified National Institute of Stands and Technology)是一个开源的数据集,包含了6万个手写数字图像,每个图像都是28x28的黑底白字。有了这个开源数据集,我们可以训练一个识别手写数字的AI模型,这个练习被称为AI领域的"Hello, world"。

编写AI模型

要编写这个AI模型,我们需要使用一种称为卷积神经网络(CNN)的神经网络结构,具体到代码层面,我们需要使用PyTorch这样的训练框架。PyTorch底层使用C++开发,外部用Python调用,非常方便易用。

下面是一个简单的手写数字识别神经网络模型的Python代码示例:

import torch.nn as nn

class NeuralNetwork(nn.Module):
    def __init__(self):
        super().__init__()
        self.conv1 = nn.Conv2d(1, 32, 3, 1)
        self.conv2 = nn.Conv2d(32, 64, 3, 1)
        self.fc1 = nn.Linear(in_features=64 * 5 * 5, out_features=128)
        self.fc2 = nn.Linear(in_features=128, out_features=10)

    def forward(self, x):
        x = nn.functional.relu(self.conv1(x))
        x = nn.functional.max_pool2d(x, kernel_size=2)
        x = nn.functional.relu(self.conv2(x))
        x = nn.functional.max_pool2d(x, kernel_size=2)
        x = x.view(-1, 64 * 5 * 5)
        x = nn.functional.relu(self.fc1(x))
        x = self.fc2(x)
        return x

这个神经网络模型包含了两个卷积层和两个全连接层,用于输入1通道的手写数字图片,经过卷积、池化和全连接层后,输出10个数字的分类结果。

训练AI模型

接下来,我们需要使用MNIST数据集来训练这个模型。PyTorch框架已经集成了MNIST数据集,可以轻松地进行下载、加载和训练。

以下是一个简单的AI模型训练的Python代码示例:

from time import time

import torch
import torch.nn as nn
import torch.optim as optim

from torchvision import datasets
from torch.utils.data import DataLoader
from torchvision.transforms import ToTensor

from model import NeuralNetwork  # 引用前面定义的神经网络模型

# ...代码细节略...

if __name__ == '__main__':
    main()

这段代码完成了数据集的准备、模型的训练和模型的保存。训练结果表明,经过5轮训练,准确率可以达到99%以上。

使用AI模型

现在我们已经有了一个预训练的模型,可以用于手写数字识别。我们可以用实际的手写数字图片来测试模型。

以下是一个用于测试AI模型的Python代码示例:

import torch
from torchvision import transforms

from PIL import Image, ImageOps
from model import NeuralNetwork  # 引用前面定义的神经网络模型

# ...代码细节略...

if __name__ == '__main__':
    main()

这段代码实际上将输入的手写数字图片转换成模型可接受的参数,然后用模型进行识别,输出识别结果和概率。

将AI模型产品化

虽然我们已经有了预训练的模型,并且可以用于手写数字识别,但是要让用户能够方便地使用这个模型,我们需要进一步优化,至少需要提供一个用户界面。以下是一个简单的Web界面,允许用户在页面上用鼠标手写数字,然后通过API获取识别结果的示例:

<!-- HTML代码 -->
<!DOCTYPE html>
<html>
<head>
    <title>手写数字识别</title>
</head>
<body>
    <canvas id="drawing-canvas" width="200" height="200"></canvas>
    <button id="recognize-button">识别</button>
    <p id="result-text"></p>

    <script src="main.js"></script>
</body>
</html>
// JavaScript代码(main.js文件)
// ...代码细节略...
# Python代码(Flask API

服务)
# ...代码细节略...

这个简单的Web界面允许用户在画布上手写数字,然后点击“识别”按钮,通过API获取识别结果。

思考

AI模型和传统程序有哪些不同之处?让我们来总结一下:

  • 代码量:AI模型的代码相对较少,通常只有数十到数百行,而传统程序可能需要数千行甚至数十万行代码。

  • 输入参数:传统程序通常有较少的输入参数,例如用户注册信息,而AI模型的输入参数通常是复杂的图像、文本或数据。

  • 输出结果:传统程序的输出结果是精确的,而AI模型的输出是概率形式的,具有一定的不确定性。

  • 代码参数:传统程序的代码参数是由开发者硬编码的,而AI模型的参数是通过训练数据确定的,开发者无法事先知道每个参数的具体含义。

  • 执行层次:传统程序的执行路径复杂,需要经过多层函数调用,而AI模型通常只有几层网络。

  • 执行路径:传统程序的执行路径可以精确跟踪,而AI模型的执行路径无法事先确定,只能通过训练来评估。

  • 并行性:AI模型具有大规模的并行性,通常使用GPU进行加速,而传统程序的并行性较低。

  • 计算资源:AI模型主要依赖GPU进行计算,而传统程序主要依赖CPU。

  • 开发时间:传统程序的开发时间主要消耗在编写代码上,而AI模型的开发时间主要消耗在训练模型上。

  • 数据需求:AI模型需要大量的训练数据来调整模型参数,而传统程序主要依赖用户产生的数据。

  • 程序质量:传统程序的质量取决于设计架构和代码优化,而AI模型的质量取决于神经网络模型和训练数据的质量。

总的来说,虽然AI模型的代码相对较少,但其复杂性在于模型参数的数量和训练过程的复杂性。AI模型是一种黑盒逻辑,输出结果具有一定的不确定性,需要通过训练和调整来提高准确性。与传统程序相比,AI模型更侧重于数据和模型的质量。

结语

尽管AI模型可能看起来复杂,但我们可以从零开始构建和训练一个小型的AI模型,以更好地理解其工作原理。AI时代已经到来,即使作为普通人,也有机会学习和应用AI知识,适应这个新时代的发展。

本文由作者 王大神 原创发布于 大神网的AI博客。

转载请注明作者:王大神

原文出处:从零开始搭建和运行一个小型AI模型

(0)
打赏 微信扫一扫 微信扫一扫
上一篇 2023年9月21日
下一篇 2023年9月21日

相关推荐

  • 用Python实现服装图像分类

    服装图像分类是机器学习领域中的一个重要任务,它涉及对图像中的不同服装类别进行准确的自动识别。无论是在电子商务领域的商品分类,还是在智能家居中的虚拟试衣间,图像分类都有着广泛的应用。本教程将详细介绍如…

    2023年8月23日
    00
  • 如何让AI学习量化交易:从零开始,不用教AI任何金融知识

    在数字化时代,人工智能(AI)正在渗透到我们生活的各个领域。其中,量化交易是一个备受关注的领域,因为它结合了数据科学和金融市场,为投资者提供了一种自动化的交易方式。本文将探讨如何使用过去半年的数据,让A…

    2023年10月6日
    00
  • 教程:加速你的深度学习训练 – 使用? Accelerate

    你是否曾经为在不同设备上运行PyTorch训练脚本而感到烦恼?是否厌烦了编写和维护与多GPU/TPU/fp16相关的样板代码?如果是的话,那么你来对地方了。本教程将介绍如何使用? Accelerate来轻松、高效、灵活地加速你的深…

    2023年9月19日
    00
  • MLP的隐藏层是否需要等深?深入探讨非等深MLP

    在深度学习领域,多层感知器(Multilayer Perceptron,MLP)是一种常见的神经网络架构,通常由输入层、多个隐藏层和输出层组成。然而,有人提出了一个有趣的问题:MLP的隐藏层是否需要等深?这个问题看似简单,但涉…

    2023年10月6日
    00
  • 打造强大的红色警戒2 AI玩家:Python训练教程

    在这个激动人心的教程中,你将学会如何使用Python来训练一个强大的人工智能(AI)玩家,使其能够在《红色警戒2》(Red Alert 2)这款经典游戏中与你一较高下。不再面对单调的游戏模式,让我们来创建一个智能的对手…

    2023年9月9日
    00
  • 人工智能图像识别:优雅的使用yolov5打麻将

    在数字化时代,人工智能技术正不断演进,为各行各业带来创新的可能性。其中,YOLO(You Only Look Once)是一个广受欢迎的对象检测算法,它的快速和高效性使其成为许多应用的首选。然而,有人选择用YOLO来检测残次…

    2022年6月25日
    00
  • 从零开始学习ChatGPT

    你是否曾经对人工智能技术的魅力感到着迷?是否曾经幻想过拥有一个能够与你互动、理解你的聊天机器人?那么,你来对地方了!本教程将带你踏上学习ChatGPT的旅程,从零开始,一步步掌握构建聊天机器人的技能。ChatGP…

    2023年8月27日
    00
  • 探索AudioCraft:一个面向音频生成的深度学习研究库

    在人工智能和深度学习的不断发展下,音频生成技术也日新月异。本文将重点介绍一个名为AudioCraft的PyTorch库,这是一个专为音频生成的深度学习研究而设计的库。AudioCraft不仅包含用于生成高质量音频的两种先进的AI…

    2023年8月31日
    00
  • 从零开始的PyTorch之旅:探索深度学习的无限可能

    摘要:在本篇文章中,我将与你共同探索PyTorch这一强大的深度学习框架,分享我如何从零开始学习并实践PyTorch,以及它在人工智能领域中的应用。我希望通过我的经验,能够帮助你更好地理解和使用PyTorch,一起开启深…

    2024年3月30日
    00
  • Ubuntu 20.04上配置机器学习环境:CUDA和NVIDIA驱动

    在当今世界,机器学习已经成为了一个炙手可热的领域,它正在不断地改变着我们的生活和工作方式。如果你是一名机器学习爱好者或专业从业者,那么你一定会需要一个强大的计算机来运行深度学习模型。本文将介绍如何在U…

    2023年10月19日
    00