训练

上周领导安排一个任务，尝试使用深度学习实现智能解译，要求极简单。尽快实现，领导要看到效果。

我不敢耽误，马上安排一高材生开展技术尝试。我先摸排一下现有的装备，硬件装备如同老套筒汉阳造，摸排一遍，显存超过8Gb的计算机一台也没有。稍微好点的电脑只有内存稍微大点，也只有64Gb，一般人看起来很不错。其实拿来做生产，完全不够用。我不能继续当二传手，只管把话传下去。然后就等着要结果。显然这不是我这个基层技术人员的作风，只是做个传话筒，要我有什么用。

我根据实际装备情况，制定试验目标。尊重现实，将实现技术路线，验证方法作为目标。我和高材生一起商量，采取降低数据质量、缩小试验范围、减少样本量、降低卷积层数等措施，进一步降低试验难度，确保试验目标达成。

在一众同事质疑的眼神里，我和高材生两个，用两台笔记本电脑和一台台式机开始试验。需要说明的是，那台台式机也只有16Gb内存。

部署好环境，本着先易后难的原则，先选择农田里的塑料大棚作为测试对象。塑料大棚纹理特征明显，与周边地物反差大，几何形状相对规则。两个人凭借多年人工绘图经验，不到半个小时，完成样本库制作。样本只有一百多个，与正式项目生产动辄十几万个的样本库相比，完全不够看。有什么枪打什么鸟，不能超越实际工作。

样本库标准完成之后，导出为标准切片，进行模型训练，不敢选择卷积层数多的模型，只能来个最简单的像素分类模型，每个处理批次只敢设置为4，小心翼翼地设置完成后，点击运行。电脑风扇疯转，“呼呼呼”的声音，像是要起飞，把我和高材生都吓得想要马上关机，还好我胆子大，冒着烧掉CPU的风险，强行作业。

风扇呼呼一个多小时以后，完成模型输出。依托模型进行对象分类，刚一运行，却弹出错误。高材生看了马上去问度娘，我用自己蹩脚的英文尝试看下什么原因，貌似在说编码问题。我想起前几年被python2折腾的死去活来的中文编码，马上想到可能是有中文，打开模型引导文件，果真有“大棚”两个汉字，我手动替换为“DP”,重新加载，分类正常进行，电脑风扇转得更快，呼呼声更大。我马上告诉高材生问题解决，不用再问度娘。

大约两个小时以后，分类结果出来了，虽然有些许错误提取，个别漏提。但是提取出来的大棚轮廓清晰，边界准确。看起来这条路行的通。

我和高材生都觉得效率有点低，继续发挥钉子精神，准备攻克GPU学习难关。看下手里的设备，只有我那台笔记本显存为6Gb，我真有点舍不得让它来出这么大力。这时我心爱的一台笔记本陪我两年多了，立下汗马功劳。我主要是怕它扛不住冒烟了。

舍不得孩子套不到狼，我拍一脑壳，有困难也要上。一开始想简单了，在环境里面简单设置为GPU就开始跑，电脑毫不客气，秒出错。弹出一串英文。高材生对我讲，这是CUDA版本不一致，她在学校遇到过。

于是一个人输命令查系统，一个人问度娘，好不容易找到对应的CUDA版本，安装好CUDNN，重新跑，没报错也没反应。输入指令一看，系统获取的GPU ID为空。

两个人纳闷，继续问度娘，原来不需要输入任务管理器的ID，要输入nvidia-smi的ID。改正ID，重新运行，显卡风扇稍微有点疯转，没CPU风扇那么厉害，八分钟多一点跑完模型，速度提高真快。带着激动的心情，再一次进行分类操作，只需数秒，弹出绿色的成功信号。

两个人感慨，GPU也太厉害了。点开结果数据集一看，却是空集。问度娘，反复看始终没有解决，正想要换个基础数据再测试，办公室一人过来说，要检查什么电脑。真的是很烦，只有收起电脑终止试验。

这个问题成为后续需要解决的一个重大问题，把这个问题解决了，就能够超越试验目标，距离投入实际生产更近一步。期待，继续努力。