例子：照片的OCR识别

来自ng的ml-003中 18_XVIII._Application_Example-_Photo_OCR

这是ng2013年在coursera上最后的一课了。这一系列的几个视频还是相比前面有些难懂，。。。。。。

ng说拿这个做例子有三个原因：一、演示如何将复杂的机器学习进行融合；二介绍下机器学习的type line和当你决定做某事的时候如何的利用资源；三、这个例子能够说明更多有趣的机器学习idea（将机器学习用于计算机视觉，人工数据综合）

首先是图像中的文字识别

这是最简单的几部划分，（但是比如你之前的单词是cleaning，但是机器有可能会反馈给你c1eaning，会有少许的错误，简单的提下）

这里是一个OCR识别的管道图，下面是每个部分差不多需要这么多人的合作，但是（ng最后居然说其实一个人完成整个工作也是可以的，如果他知道怎么做的话，唉）

一、滑动窗口

相对应来说，行人检测中的窗口比较简单，因为他的背景较为单一，不像之前的文本识别，背景很是复杂，在行人检测中，要考虑到不同距离下不同人的窗口的高度和宽度等等。

这里是个简单的数据集的例子，通过观察采用这么大的窗口较为合适，行人检测的数据集一般都是1k或者10k等等的

从图的左上角开始一个82*36的窗口，然后分类获得这个是y=0，就是非行人的数据，然后将窗口右移这其中的移动的距离就叫做stepsize，如果stepsize等于1 的确可以抓取足够的数据，但是计算量太大，一半都是stepsize等于4 或者8.然后这里的窗口大小如果按照需要也是可以调的更大的。并不是完全的限定在一个数值上

这样就能够获得这样一个结果

通过这样的方法就能应用在文字识别上，通过不同的滑动窗口获得文本的位置

通过不同的滑动窗口最后就锁定了文字的位置，然后进行图片的放大来更清晰的显示字符串的位置

但是如果采用中间划分的方法，左边的明显是滑动窗口取到了两个字，而右边的是取到了一个完整的字

通过一种方法当滑动窗口滑倒完整的字的时候不采用切分，而滑倒两个字的时候采用切分。

二、人工数据结合

ng说见过的最好的机器学习算法都是采用一个low bias算法，然后再大量的数据上运行。对于文字识别来说。数据有一个是来自于真实的数据，一个是来自于众多的字体库

或者通过采用字体库的字体，在放到实际数据的背景上合成人工数据：

或者是在数据上加上扭曲等方法

在音频上：

对于数据添加噪声来说，添加的噪声是有意义的，比如上图中的扭曲是可以在test中真实找到的，（类似模拟test数据一样）。而下文中的椒盐噪声是无意义的，添加了也没什么帮助，因为在这个例子中，我们是想识别的文字而且文字的扭曲是真实世界中看得到的，而添加的椒盐噪声是除非你就是为了比如降噪这种噪音，能够在test中看到的，因为这里是为了识别不同形状的a，而不是为了降噪，

按照上图说的，在添加人工合成的数据的时候，一定要知道你的模型是不是过拟合的，如果模型是欠拟合的，那么增加再多的数据都是在浪费时间。其次，可以坐下来和团队的人员一起问问 想要这些数据的处理速度提升10x，需要做多少工作：1、人工合成；2、手动添加标签；3、寻找混合来源。

三、细胞级别分析

如上图来说，对于整个系统而言，每个地方都是需要做工作的，但是如何找到这个系统的瓶颈之处，通过提升这个系统的瓶颈来达到提升整个系统的效率，这是值得思考的，不然在其他表现很好的环节上大量的工作，最后还是在浪费时间

相比较而言，首先没有任何改变的情况下最好的精度是72%，然后通过修改第二项，让他的输出是100准确的，那么整个系统提升到89%的精度，有17%的改变，说明这部分值得我们花时间，然后再改动第二项的基础上，接着将第三项改动成完美情况下，整个系统只提升了1%，这说明第三项是很好的，差不多不需要花时间去完善。

这同样让我们知道每个部分的上限是多少，和在这个部分的上限上运行的时候整个系统的精度是多少

上面两个图就是一个人脸检测的模型过程。

通过与最原始的模型的效果相对比，先逐个部分的进行人工的修改（即将这个部分的精度提到上限），比如第一部分的背景移除，可以通过ps等软件人工的去除，然后将这个完美的模型代替第一部分的输出，观察整个模型提升的效果，这里第一个模型只提升了0.1%，说明这部分没什么可改善的地方。接着往下按照这种原理进行。找到整个模型的瓶颈之处。

就是用人工的小数据去验证模型的瓶颈，而不至于花了很久时间才发现其实都在浪费时间。