在本教程中，我將向您展示如何在Google AutoML中創建單個標籤分類模型。我們將使用一個由
generate.photos AI生成的面孔數據集 。我們將訓練我們的算法來確定一張臉是男性還是女性。之後，我們將模型部署到雲中並創建該算法的Web瀏覽器版本。一.獲得項目分類數據
好吧，讓我們開始吧！首先，讓我們看一下我們將要分類的數據。總共約有2,000張人臉照片。
很難相信這些面孔不是真實的！好吧，現在讓我們獲取地面真理標籤來訓練我們的算法。通過創建圖片分類作業，我們可以使用 wao.ai 迅速完成此操作，您可以在此處的視頻中看到此過程。
工作完成後，我們將獲得一個包含真實標籤的CSV文件（文末有下載地址）。
二.建立項目
是時候開始使用Google AutoML了。在本節中，我們將在Google AutoML上創建一個數據集並開始訓練我們的模型。
如果還沒有，請在 Google Cloud Platform 上創建一個帳戶。之後，我們需要創建一個新項目。
創建項目後，我們可以使用頂部的側邊欄或搜索欄導航到Google AutoML。您可能需要啟用一些API並設置結算功能，GCP才會引導您完成該過程。
接下來，我們可以點擊“圖像分類入門”。
這使我進入了“數據集”視圖。在“數據集”視圖中，我們可以單擊“創建新數據集”，併為我們的數據集填寫一些細節以進行訓練。
三.格式化輸入數據
現在將我們的數據實際放入Google Cloud Platform。所有數據都必須位於GCP存儲桶中。瀏覽器界面無法正常工作，因為我們的數據集太大。
但是，GCP命令行工具應該可以正常運行。你也可以安裝 Google Cloud SDK（包括命令行工具）。
現在，我們只需要執行gsutil cp -r path / to / faces gs：// YOUR_BUCKET / faces即可將文件移到存儲庫中。確保將YOUR_BUCKET更改為為您創建的存儲庫的名稱（以下屏幕快照中我的存儲庫名稱為woven-icon-263815-vcm）。
接下來，我們將要將真實標籤CSV從 wao.ai 轉換為
AutoML 期望的CSV輸出。我們原始的CSV如下所示：
為了讓Google AutoML使用它，我們需要將其轉換為：
我在ipython終端中使用Pandas DataFrame進行了此操作（如下所示）
四.完成創建數據集
現在，我們已經有了Google AutoML所需格式的CSV，現在就可以完成創建數據集的準備了。
將我們創建的新CSV上傳到您的存儲庫，然後在“導入數據集”屏幕中選擇該庫。
導入數據後，您可以從瀏覽器查看我們所有的圖像和標籤。
五.創建模型
在本部分中，我們將創建一個使用易於使用的API在GCP上運行的雲模型，以及可以導出到Tensorflow並在本地或本地託管的移動設備，瀏覽器上運行的Edge模型。
1.訓練雲模型
導航到“訓練”選項卡，然後單擊“開始訓練”。我使用了所有默認選項。
幾個小時後，模型完成，並概述了模型的性能和所用的預算（我分配的全部16小時：）
2.訓練“邊緣”模型（可在任何地方運行的模型）
創建邊緣模型的方法基本相同，只需單擊“邊緣”而不是“雲”即可。創建邊緣模型時，可以優化速度或準確性。我決定針對準確性進行優化，因為我想將邊緣模型與雲模型進行比較。
六.結果
在“評估”標籤中，我們可以看到模型的效果。雲模型能夠獲得94.5％的準確性。邊緣模型能夠獲得95.5％的準確性。令我驚訝的是，雲模型的性能稍差一些，特別是因為它的培訓預算更大！
總的來說，我對兩個模型的性能都很滿意。混淆矩陣表明，在預測男性時，雲模型犯錯誤的人數要多於女性，而邊緣模型的失誤率更高。
雲模型性能
在下面的屏幕截圖中，您可以看到雲模型的混亂矩陣以及AutoML報告的一些統計信息。在預測女性方面要比男性稍好。
邊緣模型性能
在下面的屏幕截圖中，您可以看到邊緣模型的混淆矩陣以及AutoML報告的一些統計信息。邊緣模型在預測男性方面略勝一籌！
七.邊緣案例
Google AutoML為您提供了模型在哪些方面表現良好以及哪些地方出錯的細目。下面的快照中顯示了誤報和誤報的一些示例。
八.部署模型
現在我們已經獲得了滿意的模型，我們應該使用它們！我們的雲模型可以部署在GCP上，我們的Edge模型可以下載並與Tensorflow一起運行。讓我們探索雲模型和邊緣模型的部署。
雲部署
導航到“ TEST＆USE”標籤，然後單擊“ DEPLOY MODEL”按鈕。為了進行測試，我決定只部署到一個節點。部署模型大約花了一個小時。
雲模型公開了一個易於使用的API，您可以在其中上傳一個簡單的JSON對象並接收到一組帶有概率的預測。對我來說，這是完美且完美的集成API。
我們還可以直接在瀏覽器中使用API並檢查結果。我從訓練集中上傳了一些面部照片，看起來一切正常！總的來說，如果您有能力在後臺運行雲實例，那麼我會說使用API非常容易。
九.邊緣部署
對於Edge Deployment，我們有多種下載模型的方法。每個選項都非常強大：
- TF Lite：允許您在移動設備上運行模型
- TensorFlow.js：允許您在網絡瀏覽器中運行模型
- 核心ML：允許您在Apple設備上運行模型
- 容器： 允許您在Docker容器中運行模型（對於Web服務器而言是完美的）
我下載了 Tensorflow.js 模型並構建了一個使用Edge模型和您的網絡攝像頭的演示。注意：此模型不會將您的圖像上傳到服務器，所有內容都在本地運行！
十.最後
總體而言，Google AutoML在此任務上易於使用且非常有效。我期待著嘗試其他雲提供商，看看他們的比較！
附文中幾個重要的跳轉鏈接（部分鏈接需要翻牆）：
1.面孔數據集：https://generated.photos/
2.帶標籤分類的人臉數據：https://wao.ai/blog/single-label-image-classification-google-automl#
3.標籤分類教學視頻：https://www.youtube.com/watch?v=adjwhyqdXOM
4.CSV文件：https://wao.ai/blog/single-label-image-classification-google-automl#
5.Google Cloud SDK : https://cloud.google.com/sdk/
6.網絡攝像頭的演示視頻 : https://wao.ai/blog/can-ai-guess-our-sex
本文由未艾信息（http://www.weainfo.net）編譯，
查看更多最新資訊，歡迎大家點擊閱讀原文登錄我們的AI社區。
關注我們的公眾號：為AI吶喊（weainahan）
閱讀更多 為AI吶喊 的文章
