网页视频抓取工具 知乎( 从经典机器学习框架Scikit-learn，到深度学习慕课)

　　网页视频抓取工具 知乎(

从经典机器学习框架Scikit-learn，到深度学习慕课)

　　

　　今天，机器学习框架在不断发展。训练人工智能模型变得越来越容易。

　　我还记得我上的第一门机器学习课程是吴恩达教授讲授的 Cousera MOOC。当时使用的工具是 Octave（Matlab 的开源版本）。使用起来很麻烦。即使是最简单的线性回归也需要多行代码。

　　

　　但很快，我后来学到的机器学习/深度学习 MOOC，包括我自己制作的视频教程，都切换到了像 Python 这样的“开发者友好”环境。

　　从经典的机器学习框架 Scikit-learn 到深度学习框架 Tensorflow、Pytorch 和 fast.ai，调用 API 训练人工智能模型的方式越来越简单，步骤也越来越少。

　　比如我给大家演示过在fast.ai中，几行代码就可以让模型区分两个不同的卡通人物。

　　

　　更进一步，你甚至不需要代码，只需让计算机自动“封装”训练任务即可。

　　这种工具已经存在。

　　我曾经在“数据科学导论，我应该怎么做？” “在文章中，我向您介绍了参观北德克萨斯大学（UNT）开放日的经历：

　　有一次我停在一张海报前，问学生如何获得如此高的图像识别率以及如何调整超参数？对方无法回答。但是告诉我他们使用了 Cloud AutoML。超参数调整直接在云后端完成，完全不用担心。

　　

　　相比使用传统的深度学习框架如 Pytorch/Tensorflow 进行训练，AutoML 确实会帮助你减少很多流程。不过，对于普通人来说，还是有门槛的。

　　如果你的数据不符合系统的要求，或者训练结果不理想，你必须知道如何克服和改进。

　　说实话，我并没有太关注这种“低代码”/“无代码”的应用，觉得实用性不够高。

　　不过今天在看邵楠的《产品沉思》的时候，看到了lobe.ai的介绍。去官网看了介绍视频，感觉就两个字——惊艳。

　　

　　演讲者Jake用电脑内置*敏*感*词*演示了数据采集、数据标注、模型训练、模型预测、模型迭代……直到模型导出部署成Tensorflow风格的全过程。

　　是的，虽然不需要写代码，但是还是可以按照主流的框架输出训练好的模型。通过这种方式，其他人可以在几分钟内将您的模型整合到他们的应用程序开发或工作流程中。

　　Jake 只花了几分钟就构建了一个自动识别饮酒动作的应用程序。

　　

　　在这里的机器学习部分，你真的不需要单独写一个代码，只要按照机器学习的原创定义，并提供示例图片和相应的标记即可。

　　

　　标记方法真的很简单。输入一个新的标记，然后对着相机拍一张，数据就完成了。

　　当然，除了像这样通过相机实时采集图片，你还可以从电脑批量选择图片文件夹，喂给模型。

　　

　　想一想，如果完全不懂编程也能开发出智能模型，那应用场景就炸了。这不是“预言”。官网给出了很多例子。

　　

　　这就是工具的普及给我们带来的好处。就像今天，你不必有绘画天赋，你可以用相机快速记录下你看到的一切。未来，在利用人工智能开发应用的时候，真正能限制我们的，或许只是我们的想象。

　　虽然这个工具目前只能服务于机器视觉任务，但相信随着迭*敏*感*词*发，更多类型数据的训练功能也会被整合。

　　即使 lobe.ai 没有这样做，其他开发者也应该注意到了这条可行的路径。

　　Lobe.ai 的完整介绍视频在这里。

　　我希望你不会满足于观看和惊叹，但你必须真正尝试这个应用程序。lobe.ai的下载地址在这里。它目前支持 Windows 和 macOS。也欢迎大家在留言区分享自己模型训练的成果，大家一起欣赏，一起交流学习。

　　祝（无代码）深度学习愉快！