活动分类演示

邮寄人Johanna Pingel,2020年1月30日

31个视图（过去30天）| 0喜欢| 0评论

每年1月，我们公司都会举办一年一度的“启动活动”：让销售、营销和面向客户的人员有机会在波士顿会面，了解2020年他们相关产品领域的所有新的和令人兴奋的功能。作为深入学习营销团队的一员，我们决定通过让每个人都有机会与神经网络进行互动（有些是第一次！）

从深度学习文档的一个例子开始。

以下是我们希望演示的工作方式:每个团队竞赛，在10分钟内正确地分类尽可能多的活动。每队有一台笔记本电脑和网络摄像头。他们记录团队成员执行活动的小视频，然后将视频发送到网络进行分类。

演示要求

我承认，有时候我非常关注深度学习模型，而不是整个系统。这个项目为我提供了一个学习整合整个应用程序的机会:从前端到部署。

与神经网络交互，无论技术背景
很多人可以同时跑步
网络预测速度相当快（可能需要GPU支持）万博1manbetx

Heather（@heathergorr）和我花了大约1周的时间从头到尾把这个演示组装在一起//www.tianjin-qmedu.com/help/deeplearning/examples/classify-videos-using-deep-learning.html)并对网络进行再培训，以识别30项活动。

创建模型

doc中的示例很好地介绍了网络如何识别视频流中的活动，方法是首先使用GoogleNet从视频文件中提取激活，然后使用LSTM网络将这些激活分类为它们的活动类。

激活代码如下所示：

对于i=1:numFiles fprintf（“读取文件%d，共%d…。\n”，i，numFiles）video=readVideo（文件（i））；video=centerCrop（视频，输入大小）；序列{i，1}=激活（netCNN，视频，层名称，'OutputAs'，'columns'）；结束

LSTM网络如下所示：

layers=[sequenceInputLayer（numFeatures，'Name'，'sequence'）bilstmLayer（2000，'OutputMode'，'last'，'Name'，'bilstm'）dropoutLayer（0.5，'Name'，'drop'）fullyConnectedLayer（numClasses，'Name'，'fc'）softmaxLayer（'Name'，'softmax'）classificationLayer（'Name'，'classification'）；

培训内容如下：

miniBatchSize=16；NumAbservations=numel（sequencesTrain）；NumAbservations=floor（NumAbservations/miniBatchSize）；options=trainingOptions（'adam'，…'miniBatchSize'，'miniBatchSize'，'InitialLearnRate'，1e-4，'GradientThreshold'，2，…'Shuffle'，'every-epoch'，'ValidationData'，{sequencesValidation，labelsValidation}，…'ValidationFrequency'，numIterationsPerEpoch，…'Plots'，'training-progress'，…'Verbose'，false）；[netLSTM，info]=trainNetwork（sequencesTrain，labelsTrain，layers，options）；

有51项活动的原始模型的准确度还有很多需要改进的地方，准确度为67.8%。查看培训数据集，您可以了解原因：活动执行者之间存在很大差异，更多数据可能也会有所帮助。

旁注：我们没有看到超参数调优在精度方面有太多的改进。文档示例似乎已经设置了参数以提供最高精度的模型。

然后，我们进行了20项活动（71%）的培训，最后是8项活动，最终达到了大约80%的准确率。我们根据我们认为在游戏分配的10分钟内可以完成的内容选择了8项活动，并提供了获得高分类准确率的最佳机会。

8级模型的准确性。过度拟合?

前端，在应用程序设计器中创建(视频概述链接://www.tianjin-qmedu.com/videos/app-designer-overview-1510748719083.html)，有意简化，允许用户快速选择活动、录制小视频并接收分类结果。

Heather和Johanna向演示参与者演示应用程序！

以下是正在运行的应用程序和网络：

部署应用程序

现在–有300人的房间：如何让他们访问文件并运行应用程序？

进来MATLAB在线：产品信息如下：//www.tianjin-qmedu.com/s manbetx 845products/matlab-online.html您可以在此处在线运行MATLAB：https://matlab.mathworks.com/

如果您可以访问MATLAB，您可以访问MATLAB Online，这是一种从标准设置中运行MATLAB的便捷方式。我们惊喜地发现，网络预测速度非常快：每次预测不到5秒，而不需要GPU，这非常适合我们的要求。

我们还考虑了一些其他选择：

MATLAB Web应用程序（链接：//www.tianjin-qmedu.com/help/compiler/webapps/install-matlab-web-app-server.html)这可以满足让办公室中的每个人都从浏览器运行web应用程序的需要，而不考虑MATLAB访问。这非常适合在内部运行web应用程序。将此应用程序带到会议中心并不是服务器的预期用途，我们不想冒任何需要VPN的风险。
有一个MATLAB编译器(//www.tianjin-qmedu.com/s manbetx 845products/compiler.html)–你可以创建一个可以在每个人的本地计算机上运行的应用程序（无需在最终计算机上使用internet或MATLAB许可证）。就游戏而言，我们不希望人们需要在这么短的时间段内安装一个应用程序。

由于我们决定使用MATLAB Online，我们可以共享应用程序的链接，这使得共享应用程序和代码更加容易。您也可以查看代码并运行应用程序！只读代码的链接是在这里.

游戏是成功的：我们有人们尝试这些活动的有趣图片。但是模型相当挑剔（在第一节课中，每个人都被认为是“吸烟”，不管实际活动如何），但随后的课程能够在10分钟内纠正8项活动中的6项。我们还意识到，当你把手靠近脸时，通常会被归类为吸烟或刷牙！这对于不太熟悉深度学习的人来说是一个很好的机会，他们可以亲身体验与神经网络的互动，这也促使参与者之间讨论了为什么深度学习并非总是100%准确。