透过AutoML建立模型,数据学家让机器看拉麵照片就知道是哪家分店

综合 2018-04-03 17:01:18

对于拉麵爱好者来说,即使是同口味的拉麵,在不同店家的手里也会有着截然不同的味道,但如果是同店家不同分店的差异,在光看照片的情况下,真的能够分辨得出来吗?如果你也是喜爱日本拉麵的人透过AutoML建立模型,数据学家让机器看拉麵照片就知道是哪家分店,那应该也曾听过「拉麵二郎」的名声,这间拉麵店在东京近郊有 41 家分店,因为价格便宜、给料大方,在日本受到许多群众喜爱。由于每家店面都提供相同的基本菜单,即使你是忠实粉丝,也很难光凭卖相就分辨出来哪碗是在哪个店面製作的。虽然人们或许无法做到,但数据科学家土井贤治相信,深度学习可以从一些微小细节中辨识出每碗拉麵的不同。事实上,他其实在去年便已经自己建立了一个机器学习模型来试着辨识拉麵二郎各分店的拉麵,并且在 33,000 张照片、一个月持续调整下,达到了 87% 的精确度,但他但还想了解 AutoM透过AutoML建立模型,数据学家让机器看拉麵照片就知道是哪家分店L Vision 能否更有效地做到这一点。AutoML Vision 是 Google 专门为没有机器学习专业知识的人所设计,可以协助使用者自动创建自定义的机器学习模型,在使用上也非常简单,你只需要上传标记好的图片库,待模型自动训练后就可以进行。AutoML Vision 不只能够帮助无经验者,同时也能为专家加快整体训练的速度,透过AutoML建立模型,数据学家让机器看拉麵照片就知道是哪家分店在土井的案例中,他从拉麵二郎的各家店面收集了 48,000 张拉麵的照片,并标记好后上传系统,在花费了大约 24 小时自动训练后便成功建立模型。而模型得出的结果也非常令人印象深刻:从照片中预测店面的準确率达到了 94.5%?!?拉麵二郎的混淆矩阵:直行透过AutoML建立模型,数据学家让机器看拉麵照片就知道是哪家分店=预测商店,横列=实际商店。但 AutoML 究竟如何分辨出每碗拉麵的差异?最初 Kenji 认为,模型可能是由照片中配件的差异进行判断—-像是碗、桌子的颜色或形状,但这已经被证实不太可能,因为即使每个店面都使用相同的碗和桌子设计,该模型的準确率仍非常高。而现在 Kenji 的新理论是,或许模型足够细緻的可以从「肉片切割方式」或「配料提供细节」分辨出微妙差异,他计划继续对 AutoML 进行试验,看看他的理论是否属实。就像 AlphaGo 跳脱人类逻辑的下棋风格一般,我们虽然仍无从得知 AutoML 判断拉麵来源的细节,但至少可以确定的是:机器绝对不是口味来进行分辨的,只能安慰自己,或许这也算是人类具有优势之处。AutoML Vision in action: from ramen to透过AutoML建立模型,数据学家让机器看拉麵照片就知道是哪家分店 branded goods 趣味で机械学习を駆使して「ラーメン二郎bot」を作ったら、役员に褒められ人脉も広がり、仕事のモチベーションがグッと上がった话

相关文章 TOP ARTICLES
文章排行 TOP ARTICLES