經過一系列的學習，我們從了解概念、程式練習到昨天的論文導讀，我們似乎已經把深度學習的基礎概念完整的Round過一遍，如今就是我們正式上戰場，檢視自己的學習狀況，我挑選的案例是Aidea上的議題，雖然這個競賽已經截止了，但Aidea也有將它放在練習場讓大家去練習，所以大家還是可以下載到資料集，網址我放在下面(規則會跟已下架的比賽不同，練習場的評分標準為準確度)
Aidea人工智慧共創平台-AOI瑕疵檢測(練習場)
Aidea人工智慧共創平台-AOI瑕疵檢測(原比賽網址)

主題介紹

自動光學檢查（Automated Optical Inspection，簡稱 AOI），為高速高精度光學影像檢測系統，運用機器視覺做為檢測標準技術，可改良傳統上以人力使用光學儀器進行檢測的缺點，應用層面包括從高科技產業之研發、製造品管，以至國防、民生、醫療、環保、電力…等領域。工研院電光所投入軟性電子顯示器之研發多年，在試量產過程中，希望藉由 AOI 技術提升生產品質。本次邀請各界資料科學家共襄盛舉，針對所提供的 AOI 影像資料，來判讀瑕疵的分類，藉以提升透過數據科學來加強 AOI 判讀之效能。

競賽環境

此議題主要是要測試對嵌入式開發平台 (NVIDIA Jetson Nano) 的能力，Jetson Nano 是一台邊緣運算機，內含CPU與GPU的微型電腦，可同時執行多個神經網路工作，適合應用於圖像辨識(ImageClassification)、物件偵測(Object Detection)、語意分割(Instance Segmentation)…。

評分標準

模型準確度(60%)、推論速度(30%)、模型載入速度(10%)

資料集介紹

競賽平台提供了2528影像，包含了六種類別(正常類別+5種瑕疵類別)，我們的任務為在指定的環境中(有一些套件的使用限制)，訓練出一個快、小、準的模型來預測圖片。

使用工具

這邊我們要介紹一個新的使用工具，因為在進行神經網路的訓練時，其實是非常消耗記憶體的，若我們的電腦沒有GPU，或是CPU不夠強，訓練時就會花上非常久的時間，因此我們需要借助別的工具來幫我們完成這個任務。
Colaboratory是Google提供的一種雲計算平台，我們可以在瀏覽器上使用它來撰寫Python，且具備了以下優點：

• 不必進行任何設定
• 免費使用 GPU
• 輕鬆共用

更詳細介紹的連結我放在這邊：Google Colaboratory

使用Google Colaboratory

至我們的雲端硬碟中-右鍵新增-更多-開啟Google Colaboratory

可以看到它其實長得跟Jupyter Notebook蠻像的，運作方式也雷同，可以一行一行的Key程式同時察看結果，我們在這邊也可以import許多套件且不用下載，省去很多版本的問題。

取得權限來匯入資料

在訓練時我們需要匯入一些圖片資料或匯出模型，需要先執行一些程式碼來掛載我們的雲端硬碟。

輸入以下程式碼

# 雲端執行須執行這行，取得權限
from google.colab import drive
drive.mount('/content/drive')

執行後會看到一段連結跟輸入格

點入連結並選取欲使用的雲端硬碟帳戶，會看到一段驗證碼

將這段亂碼複製後貼上輸入格中，即完成掛載

接著再輸入以下程式變更環境路徑

# 雲端執行須執行這行，變更環境路徑
os.chdir("//content/drive/MyDrive/AOI") #這邊輸入欲使用的資料夾路徑
os.getcwd()

這樣一來我們就可以開始使用Colab了，接著教大家如何使用Google的GPU資源。

至上方工具欄位中點選"執行階段"-"變更執行階段類型"，將硬體加速器由"None"改為"GPU"並儲存

最後我們做個檢查，輸入以下程式：

import tensorflow as tf
tf.config.list_physical_devices('GPU')

看到這邊代表我們成功啟動了GPU的功能，在訓練網路的時候就會自動使用GPU來加速，這邊要特別注意的是，Google有限制使用者每天的使用量，所以沒在用的時候記得要Kill掉，才不會浪費。

以上就是我們專案實作的第一部分的內容啦！先大概把主題還有使用工具介紹了一下，下一篇就會開始實做了，大家再會囉！