从1956年AI概念的提出至今，人工智能技术已发展了60多年，22年12月底ChatGPT的横空出世使得生成式AI的全球爆火，ChatGPT的火爆出圈，也相继出现了文心一言、Midjourney等创新性的 AI 产品，互联网掀起的 AI 风暴可以说已经席卷了全球。
一系列AI产品的出现当然引起了诸多的关注，年初我也作为一名AI小白进入了AI领域，通过时长近一年的学习和实践，总算对深度学习和计算机视觉方面有一定的了解了，这更加坚定了我继续努力探索AI世界的信心，我觉得努力就会有回报。下面我将通过项目经验进行我的年度总结与心得分享。
年初准备进行学习AI的时候，恰巧碰到遇到学校也开设了这门选修课程，自然是非常高兴的参加了课程的学习。通过自己和学习小组的共同决定，我们选择了深度学习和计算机视觉方向进行了学习，并且也进行了实践，对于一个AI小白来说效果还是不错的。
深度学习和计算机视觉是AI领域两个比较核心的模块，是相互关联的，也经常一起被用于实际问题中，我们小组课题是研发一款影响识别功能的方案。可能是比较感兴趣的原因，我们课下也经常一起学习探讨，共同进步。下面大致总结项目中的一些知识。
我们的设计思路是，第一步先进行数据收集和与处理工作。
影像识别一般就包括一些医学影像，比如X射线，MRI等等影像数据，这些数据很好获得，我们小组是去学校附近的医院进行沟通，获得了一些废弃的影像数据等，或者从网络拉去也可，方式多样。收集数据后进行数据的标注，比如疾病部位或是异常情况，作为深度学习算法的训练标签。之后就是预处理工作，这里设计的比较复杂，包括去噪，归一化，裁剪等等操作，也是比较耗时的部分，结束后材料用于深度模型的训练。这里也应用到了计算机视觉的一些知识，令人印象深刻的就是系统可以自动提取影像特征。
这里我简单演示如何进行MRI影像数据的标注和预处理。
import numpy as npimport cv2
#标注
def annotate_image(image, annotations):
annotated_image = image.copy()
for annotation in annotations:
#在影像上绘制矩形边界框
x, y, w, h = annotation
cv2.rectangle(annotated_image, (x, y), (x+w, y+h), (0, 255, 0), 2)
return annotated_image
#预处理
def preprocess_image(image):
#使用高斯滤波去噪
denoised_image = cv2.GaussianBlur(image, (3, 3), 0)
#将像素值映射到[0, 1]范围
normalized_image=cv2.normalize(denoised_image,None,0,1,cv2.NORM_MINMAX, dtype=cv2.CV_32F)
#根据需要进行裁剪操作
cropped_image = normalized_image[100:300, 100:300]
return cropped_image
#加载原始影像数据
image = cv2.imread('mri_image.jpg', 0)
#标注数据
annotations = [(50, 50, 100, 100), (200, 200, 150, 150)]
annotated_image = annotate_image(image, annotations)
#预处理数据
preprocessed_image = preprocess_image(image)
#显示结果
cv2.imshow('Original Image', image)
cv2.imshow('Annotated Image', annotated_image)
cv2.imshow('Preprocessed Image', preprocessed_image)
cv2.waitKey(0)
cv2.destroyAllWindows()
实践远远比我们设计时困难，这也是很正常的。毕竟从实践过程中我也通过排除困难学习到了新的东西。然后是是我们学习的主题，深度学习了。我们选择了最常用的卷积神经网络（CNN），它是一个非常经典的深度学习模型，在处理图像数据方面表现也十分优异。通过使用数据对深度模型进行训练后，通过迭代模型参数，就能更准确的学习图像特征并进行一些诊断预测了。说起来几笔带过的过程，其实也花了不少精力，但是快有成果的时候，总能激励我们更加努力。
在模型部署和优化方面，我们选择了 Distribution of OpenVINO™工具套件来进行模型的部署，并且利用Intel® VTune™ Profiler对深度学习模型进行了性能优化，提高了计算效率。
大致步骤：
1.安装Intel® Distribution for Python和Intel® oneAPI Base Toolkit，确保安装适合的CPU的优化库和驱动程序。
2.使用Intel® VTune™ Profiler对深度学习模型进行性能分析，以识别瓶颈并调整参数。
import tensorflow as tffrom tensorflow.keras import layers, modelsfrom keras.applications.vgg16 import VGG16import numpy as npfrom PIL import Imageimport time
#加载
vgg_model = VGG16(weights='imagenet')
#输入数据
img_path = 'test.jpg'
img = Image.open(img_path)
img = img.resize((224, 224))
x = np.asarray(img)
x = np.expand_dims(x, axis=0)
#进行性能分析with tf.device('/CPU:0'):
start_time = time.time()
preds = vgg_model.predict(x)
end_time = time.time()
这里我们的项目使用预训练的VGG16模型，并对测试图片进行了推理，同时还使用了Intel® VTune™ Profiler进行了简单的性能分析。VTune Profiler挺强大的，可以使用VTune Profiler的各种分析工具来分析CPU使用情况、内存使用情况、I/O使用情况等，并识别瓶颈以便调整参数，推荐大家调优使用。
最后，我们进行了一些其他的工作，包括将学习模型集成到一些诊断系统中，设计了一些交互界面的交互逻辑等等，并进行了功能方面的验证。
我觉得有些东西是要通过实践经历才能有所体会，比如说我们收集影像数据等进行一些资源密集型的任务时，也要进行相关专业的学习，这也能提升我们的知识和经验，进行专业的交叉和融合；还有在模型训练和优化时，也不光会遇到我们预想的结果，往往要根据实际的情况进行训练和优化，这是纸上谈兵所不能比拟的；系统集成的时候，又要考虑系统稳定性与用户的体验等问题。总之，想要透彻的学习好一项知识，掌握理论仅仅只是开始~唯有实践能帮助我们熟练运用！
上周我们小组提交了方案文档和训练模型，效果还不错，听老师说结课后还可以带我们搞搞其他的项目，非常期待又能学到新东西了。通过这个项目的实操，确实带给人不小的进步，我也深刻体会到了通过深度学习和计算机视觉的相互结合，能使得计算机能更加精确地理解和处理图像信息，也能应用到更多的领域。由于篇幅有限，没有给出一些核心代码等详细设计，有兴趣的小伙伴也可留言，我们共同学习，一起进步。
最后，我在思考AI如此强大的同时，也明白了虽然是站在"巨人"的肩膀上，也要更努力才能有更好的成果！2023转瞬即逝，期待2024AI会再有改变世界的创举，你我将一起见证！
infoq原文：https://xie.infoq.cn/article/f793ec995944776de77476b25