/>

/>

经验心得

这个demo成品参与了很多项目教学演示了对吧？比如业务逻辑开发crud,多表查询等操作，安全类的python反序列化漏洞，这次咱们来个AI识别射击靶分数识别模型。

本来打算使用两种模型来实现的，客户资金不足所以只给他一个模型。

咱们聊聊写的这个过程，虽然其他平台写过，有点太专业，本人不太喜欢哈哈哈，还是大白话来讲讲让外行人都能懂什么是人工智能开发，以及常见开发流程。

人工智能开发特别好玩，咱举个例子AI应用咱们开发时候会两种数据集一种训练集，另一个验证集（测试集）。

一般程序训练时候使用咱们的训练集，训练集好比咱们新学的知识反复学习直到掌握为止，测试集类似咱们学的知识变种，测试咱们人类或者AI对之前学习掌握度如何哈哈哈，所以各位看AI学习过程是不是像咱们人类，但是AI可以24小时候不断电的训练学习，这才是可怕之处。

所以咱们以后一定不要再死记硬背为了考证，考试，工作等去学习了因为在AI面前没任何意义。

相反咱们要学会创新，变通，跨领域协作才能继续活下去。

好咱们再聊聊模型制作过程，刚刚开始看似很简单就一个图像识别，把靶机上射击坐标标记，给现成yolo不就完了？没这么简单，如果是上万张图片，你要一个一个去图像标记吗？咱们可不像大公司人多可以分配工作给其他人来做，所以咱们做为超级个体，要学会变通咱们可不可以把其中几张不一样图片提取出来，然后使用python随机生成射击位置再标记坐标和对应值不就完成了这样现成的数据集不就来了，剩下就是构造靶机识别模型了。

刚刚开始也是想偷懒直接使用lstm这个已经写好模型，之前咱们在蓝队流量识别中经常用到吧？包括舆情分析也用到了，但是如果咱们在这个项目中还是以之前咱们写的lstm模型来做，那真的是一场灾难，当你在训练时候你就会发现损失值一直降不下来，哪怕你在怎么改优化都不行。

起根本原因lstm与图像数据的适配性先天不足，lstm是为序列数据如文本，时间序列，语音设计的，核心优势是捕捉，时序依赖关系。

但图像是空间结构化数据，核心特征是像素的空间邻域关联性比如边缘，纹理，形状，由相邻像素共同构成。

所以咱们优先替换架构最有效，静态图像识别的标配是卷积神经网络cnn，cnn的卷积核，池化层能精准捕捉空间特征，损失通常会快速下降。

但是其他必须用lstm的场景如视频帧/图像序列识别，改用cnn+lstm混合架构，先通过cnn提取图像的空间特征比如用Conv2D+MaxPooling2D处理图像，输出特征图，再将特征图展平为序列输入lstm，兼顾空间和序列特征就行。