深层神经网络，特别是在计算机视觉领域，对象识别等领域，往往有数以百万的参数。这意味着它们运算量非常大，设备需要的很大的运行内存。如果你是学术实验室或大型公司，并且拥有数据中心和大量GPU，那没问题。但是，如果你只有一个汽车上需要实时驱动的嵌入式系统，那么问题就大了。这就是为什么我会追求轻量，快速和高效的特定架构。我使用的主要模型是SqueezeNet架构。这是一个最近在个别参数的对象识别任务上有卓越表现的模型，并且权重仅仅几兆字节。我建议阅读这篇文章的同时看着代码，这已经足够详细到让那个你可以进一步了解这些概念。

我们首先需要一个数据集，这是大多数深度学习项目的核心。幸运的是，有几个现成的数据集可以让我们使用。我们主要需要我们最需要的是记录在数小时的司机驾驶在不同环境（高速公路，城市）图像。你可以在Jupyter Notebook中找到一个。拥有数据集后，我们需要对数据进行预处理，让算法更好的完成工作。例如，我们当然无法将整个数据集加载到RAM中，因此我们需要设计一个生成器，这是Python中非常有用的一种函数，它允许动态加载一小批数据并预处理它，然后将它直接输送到我们的神经网络中。为了帮助网络更好地适应各种天气和光线条件，我们可以随机修改图像的亮度。此外，我们可以裁剪掉图像的顶部，因为它主要包含天空和其他与驾驶信息无关的信息。这样有助于提升计算速度。

NVIDIA模型

预处理后，我们可以开始设计网络。我使用了Keras使它易读性非常好。第一个模型是NVIDIA模型，一个很经典的CNN。经过一些卷积层从我们的图像中提取视觉特征，我们有一个扁平的层然后充分连接这些层，输出一个实数值：我们的转向角。你可以在代码中看到网络的详细信息。

如果你在笔记本电脑上训练这个网络，尤其是在没有GPU加速的情况下，你可能需要一整天的时间进行训练。经过相对较小的训练，你可以看到验证损失显著降低，因此网络正在学习如何驾驶。

该架构可以在笔记本电脑上实时工作，具有约50万个参数。但是我们可以做得更好，甚至更小的网络。那就需要SqueezeNet。虽然原本的架构已经很“苗条”了，但仍然我通过降低卷积特征的数量进行进一步缩小。这个架构的核心是Fire模块，这是一个非常精巧的过滤模块，它可以使用非常少的参数来提取语义上的重要特征，并且输出量很小。你可以在代码中看到网络实现的细节。最后一层也被修改，因为我们的任务是在图像空间中的回归，而网络最初被设计用于对象识别。

Fire模块

使用与以前相同的训练设置，我们可以看到训练更快，网络在大约十次迭代之后实现了更好的表现。

你可能会说，在这里我们仅基于当前帧来预测转向角，而驾驶本身是动态任务取决于前一帧。那么现在我在这里展示的最后一个模型：循环模型。我向SqueezeNet的第一个密集连接层之一的输出添加了一个复发层：网络将连续5帧作为输入，然后复发层输出一个实数值，即转向角。令人惊讶的是，与以前所看到的架构相比，这种新架构的表现虽然与人类决定如何引导的方式更为紧密相关，但没有比先前所见的架构更好。因此，无内存和无状态的架构可以非常好地驱动，从单独的帧独立计算转向角。

终于，我们网络在一个小视频中模拟驾驶。它显示实时驾驶汽车，他完全能够通过它看到的街道来驾驶汽车。

脚本获取链接：https://github.com/SullyChen/Autopilot-TensorFlow

我们的网络在驾驶汽车

我们已经训练了我们的自动驾驶汽车，使用了相当简单的架构和技术来引导，并取得了显着的成果。我希望你从这篇文章中学到了一两招。