1.前言

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。

2.项目总结与心得

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。

　　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。

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！

3.结语

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！