機(jī)器學(xué)習(xí)是一種人工智能領(lǐng)域的技術(shù)和方法，旨在讓計(jì)算機(jī)系統(tǒng)能夠從數(shù)據(jù)中學(xué)習(xí)和改進(jìn)，而無(wú)需顯式地進(jìn)行編程。它涉及構(gòu)建和訓(xùn)練模型，使其能夠自動(dòng)從數(shù)據(jù)中提取規(guī)律、進(jìn)行預(yù)測(cè)或做出決策。

我對(duì)于機(jī)器學(xué)習(xí)這方面的了解可以說是一片空白，既不懂機(jī)器學(xué)習(xí)，也不懂 python，更不懂算法。

像我這樣的人，在短時(shí)間內(nèi)精通機(jī)器學(xué)習(xí)是不可能的。

那么，現(xiàn)在我可以通過哪些渠道來(lái)快速了解機(jī)器學(xué)習(xí)呢？或者說，玩一玩？

答案就是通過 Gorilla 這個(gè)開源項(xiàng)目來(lái)實(shí)現(xiàn)機(jī)器學(xué)習(xí)。

Gorilla 簡(jiǎn)介&使用

Gorilla 是一個(gè)基于 LLM 實(shí)現(xiàn)的對(duì)話模型，可以接收用戶提供的需求，然后給出能夠?qū)崿F(xiàn)需求的機(jī)器學(xué)習(xí)模型 API，目前支持的開源模型 API 來(lái)源包含：Hugging Face、Torch、and TensorFlow.

我們可以在 Google 的 Colab 上面運(yùn)行 Gorilla，也可以在本地運(yùn)行 Gorilla。

這里我使用 Colab 來(lái)運(yùn)行 Gorilla。

Gorilla 提供了兩個(gè)案例，一個(gè)是翻譯的案例，一個(gè)是圖像識(shí)別的案例。

這里我選用了圖像識(shí)別的案例，點(diǎn)擊運(yùn)行。

從圖中可以看出，我們給出的需求是 構(gòu)建一個(gè)可以識(shí)別圖片中的物體的機(jī)器人，使用的模型來(lái)源是 Hugging Face。

它的回答是：

• 步驟：

1. 引入 PIL 和 transformers 相關(guān)依賴, 其中包含的 DetrForObjectDetection 可用于圖像識(shí)別。
2. 使用 from_pretrained 方法加載模型，模型可以用來(lái)識(shí)別圖片中的物體。
3. 從遠(yuǎn)端下載圖片，然后使用 PIL 處理圖片。
4. 使用模型識(shí)別圖片中的物體，然后將識(shí)別結(jié)果返回。

最后，它給出了一段代碼，我們可以直接復(fù)制到本地文件中運(yùn)行。

運(yùn)行之前，需要保證本地具備 python3 工作環(huán)境，同時(shí)需要使用 pip 將代碼中使用到的依賴進(jìn)行安裝。

我在簡(jiǎn)單嘗試后，發(fā)現(xiàn)這段代碼是無(wú)法運(yùn)行的，這也是大多數(shù) LLM 模型的通病，看起來(lái)很專業(yè)的答案，但是實(shí)際代碼是無(wú)法運(yùn)行的。

Hugging Face 模型

不過，整體代碼邏輯我看了一眼，是可以理解的，那么，我們可以自己動(dòng)手來(lái)實(shí)現(xiàn)這個(gè)需求。

首先，在網(wǎng)上找到 Hugging Face，在里面發(fā)現(xiàn)了很多模型，這里我選擇了最多下載的模型 —— 識(shí)別車牌。（如下圖）

點(diǎn)進(jìn)去可以看到功能介紹及示例代碼。（如下圖）

我把代碼放到本地，下載相關(guān)依賴后，同時(shí)準(zhǔn)備了下面這張待處理的圖片。

import yolov5# load model
model = yolov5.load('keremberke/yolov5m-license-plate')# set model parameters
model.conf = 0.25  # NMS confidence threshold
model.iou = 0.45  # NMS IoU threshold
model.agnostic = False  # NMS class-agnostic
model.multi_label = False  # NMS multiple labels per box
model.max_det = 1000  # maximum number of detections per image# set image
img = 'example.jpg'# perform inference
results = model(img, size=640)# inference with test time augmentation
results = model(img, augment=True)# parse results
predictions = results.pred[0]
boxes = predictions[:, :4] # x1, y1, x2, y2
scores = predictions[:, 4]
categories = predictions[:, 5]# show detection bounding boxes on image
results.show()# save results into "results/" folder
results.save(save_dir='results/')

使用 py 命令運(yùn)行代碼后，我得到了處理后的圖片。（如下圖）

它成功的將圖片中清晰可見的車牌掃描出來(lái)了，結(jié)果是 2 個(gè)。

對(duì)于完全沒了解過相關(guān)知識(shí)的我，能做到這一步，我還是覺得有些意外的。

我又嘗試了一下 Hugging Face 上的其他免費(fèi)模型，都挺有意思的，大家感興趣的可以自己去嘗試一下。

小結(jié)

Gorilla 目前提供給我的代碼，并沒有幫助我寫出一個(gè)可用的項(xiàng)目。

但是，它所提供的思路和方向是正確的，并且相關(guān)的模型也是可以使用的。

作為 0 基礎(chǔ)選手，通過 Gorilla，確實(shí)可以快速的了解到機(jī)器學(xué)習(xí)的相關(guān)知識(shí)，同時(shí)也可以快速的實(shí)現(xiàn)一個(gè)機(jī)器學(xué)習(xí)的項(xiàng)目。

下面附上一些相關(guān)資料，包含 Gorilla 教程：

Gorilla 官方地址

Gorilla Colab

Hugging Face 模型

最后一件事

如果您已經(jīng)看到這里了，希望您還是點(diǎn)個(gè)贊再走吧~

您的點(diǎn)贊是對(duì)作者的最大鼓勵(lì)，也可以讓更多人看到本篇文章！

如果覺得本文對(duì)您有幫助，請(qǐng)幫忙在 github 上點(diǎn)亮 star 鼓勵(lì)一下吧！