这是一个手把手教你学习深度校园的教程。一步一步，咱们即将测验去处理Kaggle challenge中的脸部要害点的检测问题。
这份教程介绍了Lasagne，一个比较新的依据Python和Theano的神经网络库。咱们将用Lasagne去模仿一系列的神经网络结构，讨论一下数据增强(data augmentaTIon)、丢失(dropout)、结合动量(momentum)和预先练习(pre-training)。这儿有许多办法能够将咱们的成果改进不少。
我假定诸位现已知道了一些关于神经网络的仅仅。所以咱们就不介绍神经网络的布景常识了。这儿也供给一些好的介绍神经网络的书本和视频，如Neural Networks and Deep Learning online book。Alec Radford的讲演Deep Learning with Python’s Theano library也是一个快速介绍的好比方。以及ConvNetJS Browser Demos
预先预备
假如你只需求看懂的话，则不需求自己写一个代码然后去履行。这儿供给一些装置的教程给那些装备好CUDA的GPU而且想要运转实验的那些人。
我假定你们现已装置了CUDA toolkit, Python 2.7.x, numpy, pandas, matplotlib, 和scikit-learn。装置剩余的依靠包，比方Lasagne和Theano都能够运转下面的指令
pip install -r https://raw.githubusercontent.com/dnouri/kfkd-tutorial/master/requiremen…
留意，为了简练起见，我没有在指令中创立虚拟环境，可是你需求的。
译者：我是在windows10上面装备这个环境的，装置anaconda(再用此环境装置依靠包)、VS2013(不引荐2015)、CUDA东西即可。
假如一切都顺畅的话，你将会在你的虚拟环境下的src/lasagne/examples/目录中找到mnist.py并运转MNIST比方。这是一个关于神经网络的“Hello world”程序。数据中有十个分类，分别是0~9的数字，输入时28TImes;28的手写数字图片。
cd src/lasagne/examples/
python mnist.py
此指令将在三十秒左右后开端打印输出。 这需求一段时刻的原因是，Lasagne运用Theano做重型起重; Theano反过来是一个“优化GPU元编程代码生成面向数组的优化Python数学编译器”，它将生成需求在练习发生前编译的C代码。 走运的是，咱们组需求在第一次运转时付出这个开支的价格。
译者：假如没有装备GPU，用的是CPU的话，应该是不必这么久的编译时刻，可是履行时刻有一些长。假如用GPU，在第一次跑一些程序的时分，会有提示正在编译的内容。
当练习开端的时分，你会看到
Epoch 1 of 500
training loss: 1.352731
validaTIon loss: 0.466565
validaTIon accuracy: 87.70 %
Epoch 2 of 500
training loss: 0.591704
validation loss: 0.326680
validation accuracy: 90.64 %
Epoch 3 of 500
training loss: 0.464022
validation loss: 0.275699
validation accuracy: 91.98 %
…
假如你让练习运转满足长，你会留意到，在大约75代之后，它将到达大约98%的测验精度。
假如你用的是GPU，你想要让Theano去运用它，你要在用户的主文件夹下面创立一个.theanorc文件。你需求依据自己装置环境以及自己操作系统的装备运用不同的装备信息：
[global]
floatX = float32
device = gpu0
[lib]
cnmem = 1
译者：这是我的装备文件。
[cuba]
root = C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0
[global]
openmp = False
device = gpu
floatX = float32
allow_input_downcast = True
[nvcc]
fastmath = True
flags = -IC:\Anaconda2\libs
compiler_bindir = C:\Program Files (x86)\Microsoft Visual Studio 12.0\VC\bin
base_compiledir = path_to_a_directory_without_such_characters
[blas]
ldflags =
[gcc]
cxxflags = -IC:\Anaconda2\MinGW
数据
面部要害点检测的练习数据集包括7049(96×96)个灰度图画。 关于每个图画，咱们应该学习找到15个要害点的正确方位(x和y坐标)，例如
left_eye_center
right_eye_outer_corner
mouth_center_bottom_lip
一个脸部标记出三个要害点的比方。
数据集的一个风趣的改变是，关于一些要害点，咱们只要大约2,000个标签，而其他要害点有7,000多个标签可用于练习。
让咱们编写一些Python代码，从所供给的CSV文件加载数据。 咱们将编写一个能够加载练习和测验数据的函数。 这两个数据集的差异在于测验数据不包括方针值; 这是猜测这些问题的方针。 这儿是咱们的load()函数：
# file kfkd.py
import os
import numpy as np
from pandas.io.parsers import read_csv
from sklearn.utils import shuffle
FTRAIN = ‘~/data/kaggle-facial-keypoint-detection/training.csv’
FTEST = ‘~/data/kaggle-facial-keypoint-detection/test.csv’
def load(test=False, cols=None):
Loads data from FTEST if *test* is True, otherwise from FTRAIN.
Pass a list of *cols* if you’re only interested in a subset of the
target columns.
fname = FTEST if test else FTRAIN
df = read_csv(os.path.expanduser(fname)) # load pandas dataframe
# The Image column has pixel values separated by space; convert
# the values to numpy arrays:
df[‘Image’] = df[‘Image’].apply(lambda im: np.fromstring(im, sep=’ ‘))
if cols: # get a subset of columns
df = df[list(cols) + [‘Image’]]
print(df.count()) # prints the number of values for each column
df = df.dropna() # drop all rows that have missing values in them
