AI-DSW 上编辑嵌套式模型实现Resnet手势识别
AI-DSW（Data science workshop）是专门为算法开发者准备的云端深度学习开发环境，
进入DSW，目前只有KerasCode和KerasGraph两个Kernel实现了FastNeuralNetwork功能。
- KerasCode：先写深度学习网络代码，然后将代码转成图
- KerasGraph：直接通过画布构建深度学习网络，并且将图转成代码
接下来我们通过实现Resnet18实现手势识别为例，体验AI-DSW的使用
我们的任务为，手语英文字母数据集中包含用手语表示的26个英文字母的信息，我们通过建立ResNet18模型进行手语英文字母识别
在AI-DSW 的官方文档中推荐我们采用序贯式（sequential）的方式构建模型，但是嵌套式封装来构建模型可以使结构更清晰，一些内容可以复用，我们来具体看下代码：
def Conv2d_BN(x, nb_filter, kernel_size, strides=(1, 1), padding='same'):
x = Conv2D(nb_filter, kernel_size, padding=padding, strides=strides)(x)
x = BatchNormalization(axis=3)(x)
x = Activation('relu')(x)
return x首先我们将最常见的CNN模块封装，包括卷积，BN，激活函数；用于Resnet模型的复用；
def identity_Block(inpt, nb_filter, kernel_size, strides=(1, 1), with_conv_shortcut=False):
x = Conv2d_BN(inpt, nb_filter=nb_filter, kernel_size=kernel_size, strides=strides, padding='same')
x = Conv2d_BN(x, nb_filter=nb_filter, kernel_size=kernel_size, padding='same')
if with_conv_shortcut:#shortcut的含义是：将输入层x与最后的输出层y进行连接，如上图所示
shortcut = Conv2d_BN(inpt, nb_filter=nb_filter, strides=strides, kernel_size=kernel_size)
x = add([x, shortcut])
return x
else:
x = add([x, inpt])
return x接下来我们实现Resnet用于Residual Block的模块，即残差块，基于残差块可以有效提升网络性能，提升模型泛化能力，如图所示：
有了核心模块后，我们可着手搭建模型的核心结构，包括输入，卷积，残差，池化，全连接，输出等一系列步骤
def resnet_18(width,height,channel,classes):
inpt = Input(shape=(width, height, channel))
# x = ZeroPadding2D((3, 3))(inpt)
#conv1
x = Conv2d_BN(inpt, nb_filter=64, kernel_size=(7, 7), strides=(2, 2), padding='valid')
x = MaxPooling2D(pool_size=(3, 3), strides=(2, 2), padding='same')(x)
#conv2_x
x = identity_Block(x, nb_filter=64, kernel_size=(3, 3))
x = identity_Block(x, nb_filter=64, kernel_size=(3, 3))
#conv3_x
x = identity_Block(x, nb_filter=128, kernel_size=(3, 3), strides=(2, 2), with_conv_shortcut=True)
x = identity_Block(x, nb_filter=128, kernel_size=(3, 3))
#conv4_x
x = identity_Block(x, nb_filter=256, kernel_size=(3, 3), strides=(2, 2), with_conv_shortcut=True)
x = identity_Block(x, nb_filter=256, kernel_size=(3, 3))
#conv5_x
x = identity_Block(x, nb_filter=512, kernel_size=(3, 3), strides=(2, 2), with_conv_shortcut=True)
x = identity_Block(x, nb_filter=512, kernel_size=(3, 3))
x = GlobalAvgPool2D()(x)
x = Dense(classes, activation='softmax')(x)
model = Model(inputs=inpt, outputs=x)
return model基于嵌套式策略同样可以做生成模型结构，如图所示：
同样的，我们按照官方文档介绍的，也可做模型可视化编辑，调整参数等
有了模型后，我们定义损失函数，加入训练集验证集来训练优化模型，最终得到结果。
综上，体验了KerasGraph后，个人感觉它代表了最新的ai开发环境演进方向——类似轻代码（low code）编辑器，可以快速构建模型结构并验证模型效果，提升了我们对模型结构的实现效率，避免纠结与在TF过于繁琐的源码，而是Focus在模型结构优化本身，总体来说还是不错的。
当然KerasGraph当前使用也存在一些问题：
- 暂不支持各类预训练模型，比如keras_bert，resnet这些，不过在支持了预训练模型，甚至支持对预训练模型最后几层做编辑，将大大提升实用性
- KerasGraph图形化界面前端占用过多内存，有的时候会导致页面卡塞
- KerasGraph对于各层参数编辑和定义易用性还需要提升，目前并不比查阅文档方便多少
当然这不妨碍KerasGraph已经是个较为出色的模型展示工具，我也相信假以时日KerasGraph在模型编辑上取得突破
