Full Stack Deep Learning 2021 实践项目：手写文本识别

1. 项目基础介绍及主要编程语言

本项目是Full Stack Deep Learning课程在2021年的实践项目，旨在通过建立一个完整的深度学习代码库，来理解和识别手写的段落内容。项目中使用了现代深度学习框架PyTorch和PyTorch-Lightning。主要编程语言为Python，同时辅以Jupyter Notebook进行实验记录和展示。

2. 项目的核心功能

项目的核心功能是通过深度学习模型对手写文本进行识别。具体包括以下几个部分：

• 多层感知机（MLP）：用于MNIST数据集的手写数字识别。
• 卷积神经网络（CNN）：引入EMNIST数据集，生成合成手写线条，并训练CNN模型进行识别。
• 循环神经网络（RNN）：结合CNN和LSTM以及CTC损失函数，进行线条文本识别。
• 变换器网络（Transformers）：使用Transformers进行线条文本识别。
• 实验管理：使用Weights & Biases工具进行实验管理和超参数搜索。
• 数据标注：标注自己的手写数据并进行有效存储。
• 段落识别：训练并评估整段文本的识别能力。
• 持续集成：添加代码的持续静态检查和测试。
• 部署：将预测系统包装成REST API，并通过Docker容器部署到AWS Lambda。
• 监控：建立监控系统，当输入数据分布发生变化时进行告警。

3. 项目最近更新的功能

最近更新的功能主要包括：

• 持续集成：项目增加了CircleCI的持续集成设置，以保证代码的质量和稳定性。
• 部署：项目支持将预测系统部署为Docker容器，并提供了在AWS Lambda上的生产环境部署指南。
• 监控：增加了数据分布变化监控，确保模型的准确性和可靠性。

通过这些更新，项目不仅增强了代码的健壮性，也提升了部署和监控的自动化水平，使得项目更加完善和实用。