提起AI与编程，很多人的脑海里，浮现出的画面，也许是这样子的。
目前，即便是代码量要求较小的自动化 AI 模型训练框架，比如 AutoML/AutoKeras等，使用它们，也需要一定的的编程基础，需要编写许多行的代码。
那么，如果不敲代码，能训练一个 AI 模型吗？
是否可以这样，只需要在图像界面 GUI 上拖拖拽拽，能否自己训练一个属于自己的机器学习模型呢，让它能够识别图片的类别呢？
在这个优秀产品/平台层出不穷的时代，答案是肯定的。最近，笔者就发现了一个深度学习在线训练平台DeepCognition，地址：https://deepcognition.ai/
下面是使用方法：
总流程
1、新建项目-> 2、准备数据集-> 3、构建模型-> 4、设置超参数-> 5、训练模型 ->6、评估模型->7、应用部署
1、新建项目
注册登录后，进入控制面板里，选择左侧菜单里的「Projects」，点击加号按钮，新建「Project」，填写「Project」的名称「Name」。
接着，点击「Open」，开始设置项目参数。
2、准备数据集
DeepCognition 提供了已经整理好的公开数据集，让新手省去繁杂的数据预处理流程，先整体体验一遍深度学习的训练流程。
我们在「Data」标签下，先选择「Dataset」，DeepCognition 提供了已经整理好的数据集上面列出了一些经典的机器学习数据集。
在「Train/Validation/Test spilt」菜单下，有预置的数据集/验证集/测试集的分割比例选项，我们选择「80%/10%/10%」。此时，训练集48000张图片，验证集6000张图片，测试集6000张图片。
在「Load Dataset in Memory」选项中，使用默认的 One Batch at a time选择中，并把 Shuffle Data（打散数据） 勾上。
本次，我选择「cifar-10-public」，CIFAR-10数据集由10类32x32的彩色图片组成，一共包含60000张图片，每一类包含6000图片。
在下面的面板，我们可以看到「图片-对应标签」，并设置数据类型，输入/输出等。
3、自动构建模型
设置好数据集的类型、标签和分割方式之后，点击「Model」标签栏，我们开始用拖拽可视化部件的方式，像搭积木一样，构建我们的深度神经网络。
除此以外，我们还可以用AutoML自动化设计神经网络的方式， 让 DeepCognition一键生成神经网络结构，点击魔术棒图标，启用自动生成模型功能。
在弹出的对话框，这次我们选择「Input Content Type」为「 image」，「Output Content Type」为「category」。
模型结构可视化
4、设置超参数
设置超参数，先用默认设置，训练Epoch10次，让机器学习10次。
5、训练模型
训练前，要点击右上角的红色按钮。
打开「instance」，我们选择GPU「K80-12GB」，新用户会有2小时免费训练时长。
训练过程，可视化呈现
训练结果
在 CIFAR官网，在不使用数据增强时，基准结果是：错误率是18%，准确率也就是82%。
Baseline results
You can find some baseline replicable results on this dataset on the project page for cuda-convnet. These results were obtained with a convolutional neural network. Briefly, they are 18% test error without data augmentation and 11% with. Additionally, Jasper Snoek has a new paper in which he used Bayesian hyperparameter optimization to find nice settings of the weight decay and other hyperparameters, which allowed him to obtain a test error rate of 15% (without data augmentation) using the architecture of the net that got 18%.
12次 Epoch 训练后，这个10分类的图片数据集准确率约为71%，大约每10张识别正确7张，对于自动化平台训练且没有刻意调参的情况下，对于模型的表现，若满分5星，我给3.5星。
最后可以，查看部分模型识别图片的效果，因为笔者用完了免费的2小时训练时长，并且似乎信用卡不支持付费，因此，只能贴参考资料里，做手写图片识别的示意图了。
小结
你也可以做 AI 训练师了。
随着技术发展（黑客们日夜敲代码），深度神经网络已经在「去中心化」了，已经有不少机器学习平台，比如 Google 的 AutoML 和Deep Cognition为客户提供图像界面的服务，完成过去都属于程序员才能做的事。
无需繁琐的编写代码，客户可以根据自己的业务情景问题，在图形操作界面上：上传自己的数据集、堆积模型结构，设置超参数等，训练自己的机器学习模型。
当然了，目前自动化训练 AI 的平台还很局限，比如在计算机视觉领域，只能训练简单的图片类别识别模型。（据目前笔者所知）
希望，在不久的将来，机器学习模型的训练，越来越容易，我们能看到更多的 AI 落地应用。
因为，不熟悉技术的人，也许更熟悉业务场景。
