共计 3247 个字符，预计需要花费 9 分钟才能阅读完成。
摘要：本文介绍了 ModelArts 如何通过主动学习进行毒蘑菇的辨认。
想当年，白雪公主吃了毒蘑菇，换来了白马王子的一吻。如果白雪公主没有吃毒蘑菇，还会遇到白马王子吗？张小白感觉不见得——说不定她会遇到张小白。张小白给她 AI MindSpore Lite 推理了一下，她就不会中毒，也就会钟情于张小白的 AI 的神奇，也就不会移情给白马王子了。
为了早日给白雪公主安利一下毒蘑菇的知识点，张小白明天就写下了这篇通过 ModelArts 主动学习进行毒蘑菇分类的文字，心愿白雪公主可能看到，并关注点个赞什么的。
ModelArts 的主动学习性能也就几步：
（1）筹备毒蘑菇数据集
（2）创立主动学习我的项目，进行数据标注
（3）对数据集进行模型训练
（4）将训练好的模型部署上线
（5）测试已部署上线的服务，进行蘑菇图片的推理。
先来创立数据集：首先把毒蘑菇的数据集筹备好，点击以下链接下载 zip 包：
https://ascend-tutorials.obs….
文件有 951M，急躁下载。下载结束后将其解压，
关上 mushrooms/train 文件夹, 上面寄存了毒蘑菇图片的 9 个分类。
将这些图片（带目录）上传到本人的 OBS 桶中。
张小白上传的 OBS 门路为是 obs://mindspore-21day-tutorials/resnet-50-2/mushrooms/train/
而后，新建一个 dataset-dumogu 数据集：
因为 OBS 外面是依照目录分类的，能够先导入第一个目录，如上图所示。
输出：/mindspore-21day-tutorials/resnet-50-2/mushrooms/train/Agaricus/
输入：/mindspore-21day-tutorials/resnet-50-2/output-mindspore/
创立后，能够先将目前导入的图片全副标注为 Agaricus。
标注完这一类之后，能够在这个数据集下面点击”导入“
填入第二个分类的 OBS 地位：
点击确定。
零碎会进行该目录数据集的导入工作。
导入结束，能够当看到 已标注的个数和整个数据集的数量：
本次导入的图片（数据集）会是未标注状态：
此时可将点击图片下方每页显示的最大数量跳到最大（目前是 60), 而后再抉择”抉择当前页“.
并在标签名中输出这类未标注的图片的标签，如 Suillus, 点击确认。
可看到未标注的数量在缩小，而已标注为 Suillus 的图片数量在减少：
如此重复标注 未标注的图片，直到未标注的图片全副标注结束，而后再进行其余目录（其余类别）的数据集的导入和标注。如此重复，直到标注齐全完结。
（这的确是一个体力活，人称”数据标注工程师“。）
好了，咱们的数据集就筹备好了。
在标注完之后，ModelArts 会在 后面设置的输入目录下生成以下目录：
这之下又有 5 个目录：
其中 annotation 目录是标注文件目录，外面内容为：
V002.manifest。
关上后，具体内容如下：
Plain Text
1
{“annotation”:[{“name”:”Cortinarius”,”type”:”modelarts/image_classification”,”creation-time”:”2020-11-11 11:07:34″,”annotated-by”:”human/zhanghui_china/zhanghui_china”}],”usage”:”train”,”source”:”s3://mindspore-21day-tutorials/resnet-50-2/mushrooms/train/Agaricus/import_1605064037231/219_m7t5mnXvmsw.jpg”,”id”:”0008324d2a2933fa17ef490e8413edc1″,”sample-type”:0}
其中将图片和类别的关系标注在 JSON 中。
第二步，咱们来建设一个主动学习的工作。
关上主动学习菜单。
点击创立我的项目，输出名称: exeML-dumogu，抉择”已有数据集“并选中方才创立的 dataset-dumogu 数据集。
而后关上建好的我的项目 exeML-dumogu, 点击左边红色的开始训练：
零碎弹出以下菜单，输出训练验证比例未 0.8，0.2，确定后开始模型训练。
确认配置后提交，
零碎就开始进行模型训练：
点击上图的部署按钮们开始进行部署。
下一步：
点击提交后，
急躁期待，也能够在”部署上线“-”在线服务“菜单看到部署的进度。
部署结束后，呈现以下画面：
能够点击”上传“，上传一些待预测的图片。
比方上图，55% 的机率是 Agaricus…
咱们上传一个真的 Agaricus
得分 1.0. 齐全精确。
以上都是从数据集外面间接拿的图片，得分不是 1.00 就是 0.99，飞常准。
张小白再从网上找一些毒蘑菇的图片：
这就有高有低了。
再找几张能够吃的，如金针菇和香菇：
好，咱们回过头来看看这 9 个分类的具体含意：
Plain Text
1
label_list = [“Agaricus 双孢蘑菇, 伞菌目, 蘑菇科, 蘑菇属, 宽泛散布于北半球温带, 无毒 ”,
2
“Amanita 毒蝇伞, 伞菌目, 鹅膏菌科, 鹅膏菌属, 次要散布于我国黑龙江、吉林、四川、西藏、云南等地, 有毒 ”,
3
“Boletus 丽柄牛肝菌, 伞菌目, 牛肝菌科, 牛肝菌属, 散布于云南、陕西、甘肃、西藏等地, 有毒 ”,
4
“Cortinarius 掷丝膜菌, 伞菌目, 丝膜菌科, 丝膜菌属, 散布于湖南等地 (夏秋季在山毛等阔叶林地上成长)”,
5
“Entoloma 霍氏粉褶菌, 伞菌目, 粉褶菌科, 粉褶菌属, 次要散布于新西兰北岛和南岛西部, 有毒 ”,
6
“Hygrocybe 浅黄褐湿伞, 伞菌目, 蜡伞科, 湿伞属, 散布于香港 (见于松仔园), 有毒 ”,
7
“Lactarius 松乳菇, 红菇目, 红菇科, 乳菇属, 宽泛散布于亚热带松林地, 无毒 ”,
8
“Russula 褪色红菇, 伞菌目, 红菇科, 红菇属, 散布于河北、吉林、四川、江苏、西藏等地, 无毒 ”,
9
“Suillus 乳牛肝菌, 牛肝菌目, 乳牛肝菌科, 乳牛肝菌属, 散布于吉林、辽宁、山西、安徽、江西、浙江、湖南、四川、贵州等地, 无毒 ”,
10
]
本人找的几个毒蘑菇图片，别离被辨认为：
Plain Text
1
Russula，无毒
2
Amanita，有毒
3
Lactarius，无毒
4
Amanita，有毒
5
Hygrocybe，有毒
6
Amanita，有毒
7
Lactarius，无毒
8
——— 白雪公主的中毒率为 3/7.
而张小白找的那 2 张食用菇的图片，别离被辨认为：
Plain Text
1
Lactarius，无毒
2
Lactarius，无毒
3
——— 白雪公主吃到美食的概率是 100%。
看来，7 个小矮人还是有必要呈现的，至多能够帮白雪公主试 7 次毒。。。
至于在实战营失去的一个要害常识，也须要在这里强调下：ResNet 卷积神经网络，必定会给一张并没有分类的图片搞个分类的，即使它不属于任何分类，也会强分一下，只不过得分会略微低一点，比方 0.5，0.6，0.7 之类的。这个并不是这个网络的能干，而是在深度学习这块，当初就只能到这里了。
所以，张小白认为，如果在得分特地低的状况下，咱就暂且在利用上不将其归类就是了。（或者写上得分，让他人看到，反正真的不是也是个概率问题，也不能怪 ResNet。说了这些，张小白感觉这个如同天气预报的概率指数啊。）
好了，对于 ModelArts 主动学习实现毒蘑菇图片辨认的介绍临时讲到这里吧。其实本文只是学习 MindSpore 的一个副产品。张小白的本意是想查看下，这个数据集进行训练，是否真的如 MindSpore 训练完结后那样不是很令人满意，后果倒是较为称心的。这样子反而让张小白无可奈何了。看来还是要细究下 ResNet 在 MindSpore 的利用外面，到底出了啥问题。
本文分享自华为云社区《张小白教你如何应用 ModelArts 的主动学习对毒蘑菇进行分类》，原文作者：张辉。
点击关注，第一工夫理解华为云陈腐技术~
