关于飞桨PaddlePaddle深度学习实践AI识虫实战

本周课程讲解了目标检测的基本知识，并基于给出的基础算法进行对AI识虫模型的改善。通过一周的学习及实践，我对深度学习在工程中的实践有了更清晰具体的了解，并掌握了一定的基础知识和代码能力，至此，21天的深度学习课程也达到了尾声，这些天的学习经历不仅提高了我的专业素养，更是让数学系的我有了接触实际工程和上手训练的机会，真诚的感谢我们的毕然老师，孙高峰老师和班主任及群里各位助教！
基础概念：边界框（bounding box),锚框（anchor box),交并比
AI识虫大致思想：
读取数据集标注信息
单阶段目标检测模型YOLO-V3

按一定规则在图片上产生一系列的候选区域，然后根据这些候选区域与图片上物体真实框之间的位置关系对候选区域进行标注。跟真实框足够接近的那些候选区域会被标注为正样本，同时将真实框的位置作为正样本的位置目标。偏离真实框较大的那些候选区域则会被标注为负样本，负样本不需要预测位置或者类别。
使用卷积神经网络提取图片特征并对候选区域的位置和类别进行预测。这样每个预测框就可以看成是一个样本，根据真实框相对它的位置和类别进行了标注而获得标签值，通过网络模型预测其位置和类别，将网络预测值和标签值进行比较，就可以建立起损失函数。
将上方支路中输出的特征图与下方支路中产生的预测框标签建立关联，创建损失函数，开启端到端的训练过程。
在课程中，老师将原理与代码相结合，帮助学员快速了解和掌握原理与具体实现。使得理论不那么枯燥与晦涩，学员能较快的将知识进行吸收。课程由一个最简单的线性回归开始，不断丰富，最终变成一个完善且强大的神经网络。这个过程中，相关理论与具体实践紧密结合，学员能在具体实践中，将相关理论进行完整掌握。

课程中介绍了大量工业实践案例，这对今后的工作有很强的指导意义。在学校学习中，面临的一个很大问题便是知识与生产相脱离，缺乏将知识应用于具体场景的能力。在这门课上，老师带领大家从工业场景触发，抽丝剥茧的分析解决的本质，通过理论知识指导寻求解决方案，实现了知识与场景的切实贴合。

这里给大家分享下大佬的项目经验（我自己的拿不出手hhh~），
链接：https://aistudio.baidu.com/aistudio/projectdetail/289616
期待后续飞桨可以为我们带来更好的课程！