前言

本系列要來實作一個深度學習的模型，應用於影像分類上，但訓練完就結束了嗎？以前在學校修課或是做研究，可能比較會著重於生出一個好模型，或是研究如何讓模型更厲害，但在實際應用上，我們還會部署模型，做後續的應用供使用者方便操作。此系列除了帶大家輕鬆上手訓練影像分類模型之外，還會簡單分享如何讓訓練完的模型，透過網頁框架套件，及時下熱門的深度學習應用使用者介面，來部署訓練好的模型，讓使用者可以簡單上手使用。

「工欲善其事，必先利其器」，要開始實作前，先來看看內容與需要準備的工具吧！

系列內容

在實作影像分類模型前，會先介紹此系列所使用的深度學習框架，以及資料集的取得來源。

深度學習框架：TensorFlow、Keras
資料集好朋友：Kaggle

接著就要開始實作模型了！在開始之前，需要先建立開發環境（坑可能比寫程式還多）。

準備堅強的心：開發環境建立

建立好環境之後，就可以開始寫程式啦！在這之前可以先想想有興趣的資料集主題，找到適合的資料後，就可以開始進行資料前處理。

模型的靈魂：資料前處理

為了讓訓練資料更多元，能夠更泛化，通常會做資料增強。本系列會介紹兩種資料增強的方法。

資料增強的方法 (1)：ImageDataGenerator
資料增強的方法 (2)：以新增 Layer 實現

開始建構深度學習模型，包含訓練模型、評估模型與測試模型。

模型建構的方法 (1)：序列式模型
模型建構的方法 (2)：函數式 API
訓練模型的方法：遷移學習
訓練，啟動！開始編譯模型
評估模型的方法：評估數值
我的模型訓練好了嗎？overfitting 是關鍵！
模型正則化方法 (1)：L1 和 L2 正則化
模型正則化方法 (2)：Dropout
回呼模組 (1)：ModelCheckpoint
回呼模組 (2)：EarlyStopping
回呼模組 (3)：CSVLogger
訓練結果可視化
測試模型：影像推論
評估模型測試結果
推輪結果可視化：混淆矩陣

已經訓練好一個不錯的模型後，就能部署模型啦！

部署模型的方法 (1)：Flask
部署模型的方法 (2)：FastAPI
部署模型的方法 (3)：Gradio

無論是跟著此系列實作，或是未來開發其他專案，都可以使用到的好用工具。

好用的日誌工具：loguru

最後介紹其他輸入訓練資料的方法，以及使用爬蟲技術下載圖片。

輸入訓練資料的另一種方法
使用爬蟲技術蒐集圖片

準備好要一起遊玩了嗎？