热血中文

手机浏览器扫描二维码访问

第73章 拿到样本数据后（第2页）

“O”和“0”首先就傻傻分不清楚。“I”和“1”也是一样。

再叠加车牌照片的光线明暗阴影问题，一个清清楚楚的“6”竟然能被识别成“0”，原因貌似是“6”的上半部分被阴影遮挡了。总之这识别结果结果是没法看。

齐凡脑子很清醒。

面对识别错误率过高，无非是两种解决办法。

一是细化模型的精度，把模型做得更加细致。二个加大训练样本数量，让模型去学习更多的样本数据。

提升模型精度不是问题，他系统空间的那份模型XCNN图纸，正愁没有用武之地。齐凡此前发布的XCNN_DT2.0版本，不过是这份图纸上最简单的一个模型的落地应用。

要提升精度，那只需加深网络的层数即可。当前的XCNN_DT2.0版本才5个卷积层，有足够多的冗余留给层数叠加。

人工智能深度学习中的神经网络是层层叠加的，可以将其理解为一栋高楼。其处理数据的过程，可以类比为让数据爬楼梯。

数据从一楼开始，一层层往上爬，每上一层就会被处理一次。当数据到达顶层的时候，就是最终结果出来的时候。

以数字识别为例。

进入第一层的数据是一张RGB三通道的图片，最后顶层给出的结果则是0到9之间的一个数字。

以齐凡目前所掌握的理论来说，只要模型的层数越深，也就是这栋楼的层数越高，让数据爬更多的楼层，那自然就会得出更精确的结果。

（）;（）　　数据爬楼层的过程，是对数据提取特征的过程。

爬的楼层越多，也就是被提取的特征就越多，自然就会被识别的越准确。

可就如楼房受限于地基和建材，不能无限制堆高一样。模型也是一样的。

模型受限于硬件的水平也是无法无限制加深的。

所以，模型有多深完全取决于显卡有多厉害。显卡有多厉害则完全取决于钱包有多鼓。

齐凡的钱包显然不够鼓。这个他只能后续想办法化缘。

第一个问题的症结分析完毕。

接着是第二个问题--加大训练样本数量。

第二个问题所需的样本眼下倒是有了。可是样本不是有了就行的，AI是科学不是魔术。

AI模型需要人喂给它数据，虽然这个喂的过程是很简单的--给每张照片打个标签，丢给模型就行了。

打标签的方法有两种。

一种比较简便。直接给每张车牌号照片标注出对应的车牌号，这样模型在读到这张照片的时候就能知道它实际的车牌号是多少。

另一种方法则比较麻烦。将照片中的车牌位置用数据标注工具勾勒出轮廓，再将车牌上的每个字符同样勾勒出轮廓。这样做其实就是为了告诉模型，照片中的车牌位置在哪，车牌上每个字符的位置在哪，并且每个字符对应的含义是什么。

第二种方法更费时间，但是经过这样处理后的样本数据更加精细。而越精细的样本数据，自然会得到越准确的预测结果。

如果仅仅从一张照片的角度出发。数据标注的工作是很简单的，也并不费时。

哪怕是一个高中生，稍加指导，也能熟练的完成数据标注。

可再简单的工作一旦乘以一个系数，就可能会变得很庞大。不巧的是，现在这个系数是168123。

即便齐凡偷懒，采用第一种较为简单的标注办法。

假设一分钟完成4张照片的标注，则需要700个小时。

假设采用第二种方法，一分钟只能完成一张照片的标注，那就是2800个小时。

如果为了追求识别精度，采用第二种方法。按照每天八小时工作制，节假日不休息的话，齐凡需要连续工作近一年。

想想就他娘刺激。