为什么会乱码？

总结

在一个我们可以很容易地获得最先进的神经网络模型的世界里，试图用有限的资源建立你自己的模型就像是在重复发明轮子，是毫无意义的。

相反，尝试使用这些训练模型，在上面添加一些新的层，考虑你的特殊计算机视觉任务，然后训练。其结果将比你从头构建的模型更成功。
 

EfficientNetB0的特性简要介绍如下：

• 尺寸：29 MB
• Top-1 准确率：77.1%
• Top-5 准确率：93.3%
• 参数数量：~5,300,000
• 深度：159

其他的计算机视觉问题的预训练模型

我们列出了四种最先进的获奖卷积神经网络模型。然而，还有几十种其他模型可供迁移学习使用。下面是对这些模型的基准分析，这些模型都可以在Keras Applications中获得。
 

ResNet50 (Residual Network)

ResNet50是一个卷积神经网络，深度为50层。它是由微软于2015年建立和训练的，论文：[Deep Residual Learning for Image Recognition](http://deep Residual Learning for Image Recognition /)。该模型对ImageNet数据库中的100多万张图像进行了训练。与VGG-19一样，它可以分类多达1000个对象，网络训练的是224x224像素的彩色图像。以下是关于其大小和性能的简要信息：

• 尺寸：98 MB
• Top-1 准确率：74.9%
• Top-5 准确率：92.1%
• 参数数量：25,636,712

如果你比较ResNet50和VGG19，你会发现ResNet50实际上比VGG19性能更好，尽管它的复杂性更低。你也可以使用更新的版本，如ResNet101，ResNet152，ResNet50V2，ResNet101V2，ResNet152V2。
 

能理解不同岗位的同学的诉求

• 后端同学：能理解为什么前端同学会对接口字段提出很高要求，期望后端提供的接口按照开源社区的标准来定义(好的接口是自说明的，不用过多的文档，遵循业界 API 设计规范，使用接口符合人的直觉，接口字段稳定)。
• 前端同学：能理解为什么后端同学不愿意轻易写特殊逻辑判断(一套模型已经定义得很优雅了，加个特殊分支就破坏了代码的一致性)。
• 研发同学：能理解为什么运维同学不愿意轻易给运维权限(底层运维一旦操作不当，做成的破坏力太大，需要深厚的技术积累)。

知识面不全面的反例

真实的反例：全栈有助于减少低级错误的出现。

这里的例子都是我曾经参与解决过问题的，过程中我看到的是：这些都不是什么高深的问题，这些都是由于知识面不全面才发生问题：

• 应用服务上线，服务器配置 nginx 代理线上 CDN，返回 502 了，开发和 SRE 一起排查下来是没有开公网访问权限(原因：应用 owner 不熟悉网络知识和运维体系，没有和 SRE 打好配合)。
• 前端域名和后端域名不同，浏览器请求失败，因为有跨域问题(原因：不熟悉 HTTP 协议中的 header 运用)。
• 后端接口名字设计有歧义，不规范，不满足 RESTful API 规范(原因：不熟悉基于 HTTP 协议的规范，本质上是 HTTP 的 中 method 的运用)。
• 其他例如 websocket 问题，前端性能优化，缓存相关等问题排查效率低(原因：绝大多数跟不熟悉 HTTP header 有关)。

最后

我始终觉得全栈不是认证证书，不需要有人给你做认证，当你能获得不同技术栈的同学的信任时，就是对你最大的肯定。

（编辑：漯河站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!