最近，我们计划构建一个用于从图像中提取信息的图像处理系统。目前我们使用AWS Rekognition来完成这项工作。但是，在某些情况下，我们无法从AWS获取准确的信息。因此，我们计划构建我们自己的定制系统。
我们有4到5个月的时间来完成这个项目。至少要完成一个POC版本。我们还计划使用Tensorflow来实现。我们团队中没有人有机器学习和深度学习的先前经验，但我们已经有5到6年的计算机编程经验，使用了不同的编程语言。
目前，我正在通过Udemy的课程学习机器学习，我的解决问题的方法是…
- 学习机器学习(ML)
- 学习深度学习(DL)
- 在学习了ML和DL之后，我可能会准备好理解整个系统，并且能够构建一个图像处理系统。
概括来说，我理解的是，我需要用Python编写一个使用Tensorflow的深度学习程序。通过这个程序，我需要构建一个模型。然后，我需要使用一些训练数据来训练这个模型。当我的模型达到一定的准确度后，我会使用一些测试数据进行验证。
现在，有一些地方让我有点困惑，以下是我关于这些困惑的问题…
-
我知道
tensorflow是一个库，但在某些地方，它也被称为系统。那么，它真的是一个库（一段代码）还是还有其他更多的功能？ -
我在
Tensorflow的教程部分找到了一些图像处理的Python代码（https://www.tensorflow.org/tutorials/image_recognition）。我们测试了这些代码，它们的工作方式与AWS识别服务完全相同。所以，我在这里的疑问是…我可以直接将这些Python代码用于我们的生产工作吗？ -
在用一些训练数据训练模型之后，这些训练数据会成为整个系统的一部分吗？还是机器学习模型从这些训练数据中提取了一些META信息并保留，而不是整个原始训练数据（在我这里是原始图像）？
-
我可以在我的Linux系统上进行所有这些ML+DL编程吗？我的系统是Pentium 4，配备8GB内存。
-
还想知道…我提到的构建解决方案的方法是否足够，或者我还需要做些什么其他事情。
需要一些指导来澄清所有这些困惑。
谢谢
回答：
1 : tensor-flow就像我们之前使用过的其他东西（比如Numpy），唯一的区别是我们必须先定义我们想要使用什么，然后再使用它，tensor-flow中的一切都在计算图中运行，评估图中的一切都需要一个会话，我们可以称之为库，因为它只是一段代码，并且有Python接口，也可以称之为系统，因为它使用了所有这些机制
2 :can I use this Python code as it is in our production work? 为什么不可以！
3:是的，你可以用你的系统来做这些，但tensor-flow和theano等工具的主要优势在于你可以将代码运行在GPU上，这比在CPU上运行要快得多，因为GPU可以处理更多的矩阵乘法和类似操作
4:你知道，你不需要学习所有的机器学习知识来构建一个图像识别系统，这可能需要几年时间才能理解那里发生了什么，Udemy的课程是一个很好的资源，但我强烈推荐你查看coursera上的机器学习课程，那里有两门关于机器学习的课程：伟大的Andrew NG课程和Emily fox课程，前者更理论化，后者更实用，关于深度学习，深度学习并没有什么特别的，它只是机器学习中的一种方法，在你获得一些机器学习经验并理解了一些基础知识后，或者你现在就可以，去fast.ai，它有一个非常好的关于深度学习的课程，适合编码者，并且是免费的
希望这些对你有帮助
