摆脱一般货色标签，你也可以很出色

## 一般货色

这个标题有点扎心，但也确实反映我这回实践后的真实感受。事情是这样的，最近公司不是想搞一个新项目嘛需要用到图像识别技术，然后我就自告奋勇的接下这个活。想着自己也学那么久的机器学习，正好拿来练练手。

一开始信心满满的，觉得识别个猫猫狗狗、花花草草的，那还不是手到擒来？ 结果，现实狠狠地给我一巴掌。

我先是吭哧吭哧地收集一堆数据集，网上到处扒，好不容易凑够数量。然后就开始清洗数据，这部分就够让人头疼的，各种格式不统一、标注错误，简直是灾难现场。光是处理数据，就花我两天的时间。

数据搞定之后，就开始搭建模型。我直接上个比较流行的卷积神经网络（CNN），想着效果应该还不错。结果，训练出来的模型准确率低的简直没法看，识别率连60%都不到！当时我就懵，开始疯狂debug，各种调参数、换优化器，折腾好几天，效果还是不尽人意。

后来我又尝试用一些预训练模型，比如ResNet、Inception之类的，想着站在巨人的肩膀上，总能好点。结果，虽然准确率提升一些，但还是达不到项目要求的水平。而且这些模型都太大，跑起来速度慢的要死，根本没法实际应用。

最让我崩溃的是，我发现网上好多开源的项目，效果都比我做的好得多。人家不仅准确率高，而且速度还快，简直是降维打击。我当时就感觉自己做的东西，就是个“一般货色”，拿不出手。

不过虽然这回实践的结果不尽如人意，但我还是学到很多东西。

数据质量真的很重要。 再好的模型，没有高质量的数据，也跑不出好的结果。以后一定要重视数据清洗和标注的工作。

选择合适的模型很重要。 不是越大越也不是越复杂越要根据实际情况，选择适合的模型。

学习别人的经验很重要。 不要闭门造车，多看看别人是怎么做的，可以少走很多弯路。

这回经历也让我明白，机器学习不是简单的调参炼丹，需要更多的实践和积累。虽然这回做的东西是个“一般货色”，但我相信，只要坚持下去，总有一天也能做出真正有价值的东西。

总结一下我做的步骤：

1. 收集数据： 从各种渠道扒数据，尽可能多。

2. 清洗数据： 处理格式、纠正错误，确保数据质量。

3. 搭建模型： 尝试CNN、ResNet、Inception等模型。

4. 训练模型： 各种调参、换优化器，优化模型效果。

5. 评估模型： 测试模型的准确率和速度。

模型的效果嘛就不提，反正就是“一般货色”。不过我会继续努力的！