恩达老师的笔记会一直持续更新，那么AI学习到最后，无非是要学会把理论知识付诸于实践，也就是所谓的建立模型并应用到商业或者公益实践中。
那么AI建模的步骤是怎样的呢？
我这里从前辈那里学习并总结了AI建模七部曲，今天分享给大家！
首先总结下，AI建模七部曲：
1. 准备数据
2. 数据预处理
3. 划分数据集
4. 配置模型
5. 训练模型
6. 评估优化
7. 模型应用
这个步骤是非常细分的了，如果等你轻车熟路了，应该可以再缩减，不过这里我就针对这七部分别来说明下，如果可以请认真听咯！
准备数据
这一步相对来说是最基础，也是最“艰难”的了。
为什么这么说呢？
首先，想建立一个模型，你要有数据集，那么在现在AI火爆的时代下，为了能更好的推广和壮大AI，很多公司（谷歌等）开源了很多非常优秀的数据集，大家可以在学习训练时，优先使用这些整理好的，因为这个更容易入门，更容易看到效果，
其次，如果真正是到了要自己制作的时候，那么这个工作量取决于你的模型的大小。当然，无论你的模型大小，你都要去“打标签”，意思也就是你要对数据进行标记，这样才能更好的告诉神经网络，应该如何分辨和学习！
然后就是打标签的方法了，这是一项非常细致和严谨的工作，应该有人听说过标注工程师这个职业，对，那个就是这个的衍生职业，是不是突然感觉到了这个任务的“重”。
不过我们一般使用的不会特别大的数据集，也是可以自己制作和处理的，一个大佬开源了一款标注工具: LabelImg’，这个还是非常好的，如果真正需要了可以了解下。还是细说下，方法包括：对整个文件打标签，对固定区域打标签，对数据截断打标签。
数据预处理
做好了数据准备，下一步就是做好数据的整齐划一，意思就是说你先收集了数据样本，做好了标签，后面就是要进行图片处理了，同样，如果是已经整理好的数据集，那么这个工作基本上是没有的，因为都是已经做好的。
如果是自己的话，那么这个工作是需要脑力劳动的，首先你要统一格式，调整格式，然后你要考虑灰度化，去噪平滑，还是均衡化，二值化，腐蚀等，当然如果你收集到的样本数量不够，那么也是有一种方法，可以让你的样本数量翻倍，这个方法包括水平翻转图像，随机裁剪，平移变换，颜色，光照变换等，但是前提是你要训练分辨学习的信息不要受到影响，这点很重要，一定要注意！
主要流程
做完了前面的数据准备和处理之后，才是我们主要的AI建模之旅！
这也是我们主要的建模过程：
1. 对已处理好的数据划分：分为训练集，测试集，有的还有验证集（也就是包含训练集和测试的一部分，两种数据都有的），他们的作用和名称一样简单易懂，训练是用来做训练网络的，测试就是测试训练好后的结果的，看下是否达到了我们训练的初衷与目标。
2. 配置模型：这一步就是通过你对数据的使用和处理，来考虑和决定使用哪一种网络模型和结构来进行训练，AI深度学习发展初期：LeNet, AlexNet, VGG-16,VGG-1,Yolo1/2/3等网络模型均是拔的过同时期头名的网络架构。这一步也是至关重要的一部，你要学会如何去设计符合自己需求的模型，前期是可以使用他人的网络模型和超参数设置，但是后期肯定要有自己的一套建模理念的。
对于超参数，这个多说一点，这个超参数指的就是在网络中不是硬性规定，可以人为设置的参数，这个东西很“玄乎”，至少在目前为止，没有一个很明确的定义，你不会看到说一个网络模型已经定义好了所有的超参数的，因为这都是要靠经验和积累去训练然后对比的。
3. 训练模型：如果做好了前期的数据集划分和模型配置，那么你就到了训练模型的一关，此关你要定义可以决定你训练结果和训练速度的两个关键指标：损失函数和优化器，损失函数是评价训练输出与你本来的标签之间差距的指标评估依据，优化器是影响网络训练快慢与训练梯度下降优劣，和是否会陷入鞍点等的关键武器。
4. 评估优化：训练结束后，那么在数据划分里的测试集就要派上用场了，这个是评估泛化能力的，所谓的泛化能力也就是测试准确度，或者说网络辨别学习能力的一个硬性指标。当然在测试后就可以得出结论了，然后对网络进行评估是否需要进一步调整优化或者是已经最优，应用于实践。这个过程就好比之前所讲的一个AI工程师，需要做的，有想法（idea） 写网络模型（code） 训练测试评估（experiment） 优化 再换想法（idea） 继续写网络模型（code）……
5. 模型应用：这个就很简单了，前面都结束后，下一步就是应用了，说着很容易，但是其实如果应用，怎么传入我们需要的数据，从何而来的数据？应用中采样也是一个实际性的问题，需要下点心思。
AI建模能力是一个需要项目实战才可以慢慢锻炼出的能力，所以了解了框架之后，慢慢培养自己的建模能力吧，其实这个并没有印象中的那么痛苦！
Come on！ AI fighter！
