深度学习的宏观框架——训练（training）和推理（inference）及其应用场景_inference深度学习

一个完整的深度框架中应该包含两个主要部分，即训练（training）和推理（inference）

---

训练（Training）

打个比方，你现在想要训练一个能区分苹果还是橘子的模型，你需要搜索一些苹果和橘子的图片，这些图片放在一起称为训练数据集（training dataset），训练数据集是有标签的，苹果图片的标签就是苹果，橘子亦然。一个初始神经网络通过不断的优化自身参数，来让自己变得准确，可能开始10张苹果的照片，只有5张被网络认为是苹果，另外5张认错了，这个时候通过优化参数，让另外5张错的也变成对的。这整个过程就称之为训练（Traning）。

推理（Inference）

你训练好了一个模型，在训练数据集中表现良好，但是我们的期望是它可以对以前没看过的图片进行识别。你重新拍一张图片扔进网络让网络做判断，这种图片就叫做现场数据（live data），如果现场数据的区分准确率非常高，那么证明你的网络训练的是非常好的。我们把训练好的模型拿出来遛一遛的过程，称为推理（Inference）。

部署（deployment）

想要把一个训练好的神经网络模型应用起来，需要把它放在某个硬件平台上并保证其能运行，这个过程称之为部署（deployment）。

应用场景

从研发角度来说，对于一个专门研究算法的人，他的目的是通过训练得到一个效果非常好的模型，所以他的应用场景会在一个高性能的运算平台上，通俗的来说，就是不计成本的使用算力比较牛B的计算机，比如NVIDIA的服务器集群。

从产品应用角度来说，不管你的AI算法是部署在智能手机还是其他的一些特定的应用场景，比如安防用的摄像头，野外工作的机器人，医院的智能诊断读片机，给每个应用都分配一个告诉计算平台显然是不合理也是不可能的，因此目前很多的终端在使用AI的时候都是数据上传到云上，通过高性能服务器获取结果再传给终端，比如支付宝的AI扫福，断网可能就玩不了了，这个还好，有一些场景是很容易或者需要断网的，比如恶劣天气，保密机构，那么在终端上独立完成AI运算就显得很重要，这个又回到我们jetson系列的研究上了，感兴趣的读者可以看一下我的NVIDIA Xaiver系列的介绍。