<ruby id="bdb3f"></ruby>

    <p id="bdb3f"><cite id="bdb3f"></cite></p>

      <p id="bdb3f"><cite id="bdb3f"><th id="bdb3f"></th></cite></p><p id="bdb3f"></p>
        <p id="bdb3f"><cite id="bdb3f"></cite></p>

          <pre id="bdb3f"></pre>
          <pre id="bdb3f"><del id="bdb3f"><thead id="bdb3f"></thead></del></pre>

          <ruby id="bdb3f"><mark id="bdb3f"></mark></ruby><ruby id="bdb3f"></ruby>
          <pre id="bdb3f"><pre id="bdb3f"><mark id="bdb3f"></mark></pre></pre><output id="bdb3f"></output><p id="bdb3f"></p><p id="bdb3f"></p>

          <pre id="bdb3f"><del id="bdb3f"><progress id="bdb3f"></progress></del></pre>

                <ruby id="bdb3f"></ruby>

                ??碼云GVP開源項目 12k star Uniapp+ElementUI 功能強大 支持多語言、二開方便! 廣告
                # 8 個深度學習的鼓舞人心的應用 > 原文: [https://machinelearningmastery.com/inspirational-applications-deep-learning/](https://machinelearningmastery.com/inspirational-applications-deep-learning/) 如果說深度學習是在一系列復雜問題中實現最先進的結果,這種說法是有些夸張的。 目前,人工智能,機器學習和深度學習方面有在很多問題得處理上取得了令人興奮的結果,這也是進入一些真正強大的技術底層的絕佳機會。 我努力說服朋友,同事和學生開始深入學習,如上所述的大膽陳述是不夠的。它需要故事,圖片和研究論文。 在這篇文章中,您將了解一些深度學習方面近期令人激動的應用,這些應用能夠有效激勵您深入了解深度學習。 開始深度學習并不一定意味著去研究未來2-3年的方程,這只可能意味著[下載 Keras 并開始在 5 分鐘內運行你的第一個模型](http://machinelearningmastery.com/tutorial-first-neural-network-python-keras/)。開始應用深度學習,構建事物,并將其轉化為系統和代碼,這是一件令人興奮的事情。 最近,我一直想寫這篇文章,讓我們開始吧! ![Inspirational Applications of Deep Learning](https://img.kancloud.cn/0b/0c/0b0c0e49a6ffdcbb51fd057cac7cfaa3_640x306.png) 照片由 [Nick Kenrick](https://www.flickr.com/photos/zedzap/12093300505/) 提供,并保留所屬權利。 ## 概述 以下是我們將在本文中看到的具體示例列表。 并非所有的示例都是需要“黃金時間”的準備的技術,但可以保證,它們都是一些令你激動的的例子。 如果你已經深入了解了一些深度學習的知識,那么這些例子似乎會有一些簡單,但是,事實上,在更廣法的范圍內,這些例子仍然令人印象深刻 坦率地說,對于像我這樣的老 AI 黑客,認為其中的一些例子在未來幾十年不可能得到解決,但是深度學習的出現啪啪打臉! 我將重點放在視覺示例上,因為我們可以查看屏幕截圖和視頻以立即了解算法的作用,但是自然語言中包含文本和音頻數據的示例(如果沒有更多的話)的數量就不多了。 本篇文章中,我們會了解以下示例: 1. 黑白圖像的著色。 2. 為無聲電影添加聲音。 3. 自動機器翻譯。 4. 照片中的物體分類。 5. 自動手寫生成。 6. 字符文本生成。 7. 圖像標題生成。 8. 自動游戲。 ## 1.黑白圖像的自動著色 圖像著色是向黑白照片添加顏色的問題。 傳統上這是[手工完成](https://en.wikipedia.org/wiki/Hand-colouring_of_photographs),因為這是一項艱巨的任務。 深度學習可用于在照片中使用對象及其背景信息來為圖像著色,就像人類操作員一樣會解決問題。 令人印象深刻的視覺壯舉。 此功能利用了為ImageNet訓練并被選為圖像著色問題的高質量和超大型卷積神經網絡。 通常,該方法涉及使用非常大的卷積神經網絡和監督層,其通過添加顏色來重建圖像。 ![Colorization of Black and White Photographs](https://img.kancloud.cn/56/42/5642d2bada56b4134e3d63d26d18b252_733x507.png) 黑白照片的著色 圖片取自 [Richard Zhang,Phillip Isola 和 Alexei A. Efros](http://richzhang.github.io/colorization/) 。 令人印象深刻的是,相同的方法可用于著色黑白電影的靜止幀 ### 進一步閱讀 * [自動著色](http://tinyclouds.org/colorize/) * [灰度圖像自動著色](https://news.developer.nvidia.com/automatic-image-colorization-of-grayscale-images/) ### 文件 * [深色著色](http://www.cs.cityu.edu.hk/~qiyang/publications/iccv-15.pdf) [pdf],2015 * [彩色圖像著色](http://arxiv.org/pdf/1603.08511.pdf)[pdf]([網站](http://richzhang.github.io/colorization/),2016 * [自動著色的學習表示](http://arxiv.org/pdf/1603.06668.pdf) [pdf]([網站](http://people.cs.uchicago.edu/~larsson/colorization/)),2016 * [深度卷積神經網絡的圖像著色](http://cs231n.stanford.edu/reports2016/219_Report.pdf) [pdf],2016 ## 2.自動為無聲電影添加聲音 在此任務中,系統必須合成聲音以匹配靜音視頻。 該系統使用 1000 個視頻示例進行訓練,其中鼓棒的聲音撞擊不同的表面并產生不同的聲音。深度學習模型將視頻幀與預先重新錄制的聲音數據庫相關聯,以便選擇與場景中發生的最佳匹配的聲音。 然后使用圖像測試設置評估系統,其中人類必須確定哪個視頻具有真實或假(合成)聲音。 卷積神經網絡和 LSTM 遞歸神經網絡能實現非常酷的應用。 ### 進一步閱讀 * [人工智能產生逼真的愚弄人類的聲音](http://news.mit.edu/2016/artificial-intelligence-produces-realistic-sounds-0613) * [機器可以產生愚弄人類的聲音效果](https://www.engadget.com/2016/06/13/machines-can-generate-sound-effects-that-fool-humans) ### 文件 * [視覺指示聲音](http://arxiv.org/pdf/1512.08512.pdf)([網頁](http://vis.csail.mit.edu/)),2015 ## 3.自動機器翻譯 這是一種給定的單詞,短語或句子在一種語言中,自動將其翻譯成另一種語言的任務。 自動機器翻譯已經存在了很長時間,但深度學習在兩個特定領域取得了最佳成果: * 文本的自動翻譯。 * 圖像的自動翻譯。 可以在不對序列進行任何預處理的情況下執行文本轉換,從而允許算法學習單詞之間的依賴關系以及它們與新語言的映射,通常使用大型 LSTM 遞歸神經網絡的堆疊網絡來執行該轉換。 正如您所料,卷積神經網絡用于識別具有字母的圖像以及字母在場景中的位置,識別后,可以將它們轉換為文本,翻譯并使用翻譯后的文本重新創建圖像,這通常被稱為即時視覺翻譯。 ![Instant Visual Translation](https://img.kancloud.cn/1b/4f/1b4f20eee69b296d365b66277d295275_657x174.png) 即時視覺翻譯 即時視覺翻譯示例,取自 [Google 博客](https://research.googleblog.com/2015/07/how-google-translate-squeezes-deep.html)。 ### 進一步閱讀 在這個例子中很難找到好的資源,如果你知道的話,可以發表評論。 * [谷歌翻譯如何將深度學習壓縮到手機上](https://research.googleblog.com/2015/07/how-google-translate-squeezes-deep.html) ### 文件 * [用神經網絡進行序列學習的序列](http://arxiv.org/pdf/1409.3215v3.pdf) [pdf],2014 * [使用 RNN 編碼器 - 解碼器進行統計機器翻譯的學習短語表示](http://arxiv.org/pdf/1406.1078v3.pdf) [pdf],2014 * [機器翻譯中的深度神經網絡:概述](http://www.nlpr.ia.ac.cn/cip/ZongPublications/2015/IEEE-Zhang-8-5.pdf) [pdf],2015 ## 4.照片中的物體分類和檢測 該任務需要將照片內的對象分類為一組先前已知的對象之一。 使用非常大的卷積神經網絡,已經在該問題的基準示例上獲得了最新的結果,關于ImageNet分類問題AlexNet的結果,Alex Krizhevsky等人在此問題上取得了突破。 ![Example of Object Classification](https://img.kancloud.cn/f5/c8/f5c83e29584afeacaeb37886b8f83c1e_535x210.png) 使用深度卷積神經網絡從 [ImageNet 分類中獲取的對象分類示例](http://www.cs.toronto.edu/~fritz/absps/imagenet.pdf) 該任務的更復雜的變體是物體檢測涉及具體識別照片場景內的一個或多個物體并在它們周圍畫出邊框。 ![Automatic Object Detection](https://img.kancloud.cn/e5/f8/e5f8e1743a1a32075280ad71c1530cd6_510x368.png) Photogaphs 中的物體檢測示例 取自 [Google 博客](https://research.googleblog.com/2014/09/building-deeper-understanding-of-images.html)。 ### 進一步閱讀 * [加深對圖像的理解](https://research.googleblog.com/2014/09/building-deeper-understanding-of-images.html) * [AlexNet](https://github.com/BVLC/caffe/tree/master/models/bvlc_alexnet) * [ConvNetJS:CIFAR-10 演示](http://cs.stanford.edu/people/karpathy/convnetjs/demo/cifar10.html) ### 文件 * [具有深度卷積神經網絡的 ImageNet 分類](http://www.cs.toronto.edu/~fritz/absps/imagenet.pdf) [pdf],2012 * [基于深度卷積神經網絡的圖像分類的一些改進](http://arxiv.org/pdf/1312.5402v1.pdf) [pdf],2013 * [使用深度神經網絡的可擴展物體檢測](http://www.cv-foundation.org/openaccess/content_cvpr_2014/papers/Erhan_Scalable_Object_Detection_2014_CVPR_paper.pdf) [pdf],2013 * [用于物體檢測的深度神經網絡](http://papers.nips.cc/paper/5207-deep-neural-networks-for-object-detection.pdf) [pdf],2013 ## 5.自動手寫生成 這是給定一個手寫示例語料庫,為給定的單詞或短語生成新的手寫字體的任務。 手寫體是作為創建手寫樣本時筆使用的坐標序列提供的,從該語料庫中學習筆移動和字母之間的關系,可以生成新的示例。 令人著迷的是,可以學習不同的風格,然后模仿,我很樂意看到這項工作與一些法醫手寫分析專業知識相結合。 ![Sample of Automatic Handwriting Generation](https://img.kancloud.cn/d0/80/d08013bf02dae754a7e44c825c0a050c_691x338.png) 自動手寫生成示例 ### 進一步閱讀 * [交互式手寫生成演示](http://www.cs.toronto.edu/~graves/handwriting.html) ### 文件 * [使用遞歸神經網絡生成序列](http://arxiv.org/pdf/1308.0850v5.pdf) [pdf],2013 ## 6.自動文本生成 這是一項學習了文本語料庫,并且從該模型逐字或逐字符地生成新文本的任務。 該模型能夠學習如何拼寫,標點,形成感知,甚至捕捉語料庫中文本的樣式。 大型遞歸神經網絡用于學習輸入字符串序列中的項之間的關系,然后生成文本。最近,LSTM 循環神經網絡使用基于字符的模型在這個問題上取得了巨大的成功,并且該模型一次生成一個字符。 Andrej Karpathy 在他關于該主題的熱門博客文章中提供了許多例子,包括: * 保羅格雷厄姆散文 * 莎士比亞 * 維基百科文章(包括標記) * 代數幾何(帶 LaTeX 標記) * Linux 源代碼 * 寶貝名字 ![Automatic Text Generation Example of Shakespeare](https://img.kancloud.cn/f5/e4/f5e4fe42d449fdd1707ee8234e5d0719_810x556.png) 莎士比亞的自動文本生成示例 摘自 [Andrej Karpathy 博客文章](http://karpathy.github.io/2015/05/21/rnn-effectiveness/) ### 進一步閱讀 * [回歸神經網絡的不合理有效性](http://karpathy.github.io/2015/05/21/rnn-effectiveness/) * [使用遞歸神經網絡自動生成 Clickbait](https://larseidnes.com/2015/10/13/auto-generating-clickbait-with-recurrent-neural-networks/) ### 文件 * [使用遞歸神經網絡生成文本](http://www.cs.utoronto.ca/~ilya/pubs/2011/LANG-RNN.pdf) [pdf],2011 * [使用遞歸神經網絡生成序列](http://arxiv.org/pdf/1308.0850v5.pdf) [pdf],2013 ## 7.圖像自動生成標題 自動生成圖像標題是給定圖像內容,系統必須生成描述圖像內容的標題的任務。 2014 年,深度學習算法爆炸式增長,在此問題上取得了令人印象深刻的成果,利用頂級模型的工作進行目標分類和照片中的目標檢測。 一旦您可以檢測照片中的對象并為這些對象生成標簽,您就會發現下一步是將這些標簽轉換為連貫的句子描述圖像內容。 這是那些讓我震驚不已的結果之一。 確實非常令人印象深刻。 通常,該系統涉及使用非常大的卷積神經網絡用于照片中的物體檢測,然后使用像 LSTM 那樣的遞歸神經網絡將標簽生成連貫的句子。 ![Automatic Image Caption Generation](https://img.kancloud.cn/24/11/2411683529ba790aeedfb25a93cdd80b_865x667.png) 自動圖像標題生成 樣本取自 [Andrej Karpathy,李飛飛](http://cs.stanford.edu/people/karpathy/deepimagesent/) 這些技術也已擴展為自動生成視頻標題。 ### 進一步閱讀 * [一張圖片勝過一千個(連貫的)字:構建圖像的自然描述](https://research.googleblog.com/2014/11/a-picture-is-worth-thousand-coherent.html) * [自動圖像字幕的快速進展](https://blogs.technet.microsoft.com/machinelearning/2014/11/18/rapid-progress-in-automatic-image-captioning/) ### 文件 * [用于生成圖像描述的深層視覺語義對齊](http://cs.stanford.edu/people/karpathy/cvpr2015.pdf) [pdf]([和網站](http://cs.stanford.edu/people/karpathy/deepimagesent/)),2015 * [用多模式回歸神經網絡解釋圖像](http://arxiv.org/pdf/1410.1090v1.pdf) [pdf,2014] * [用于視覺識別和描述的長期循環卷積網絡](http://arxiv.org/pdf/1411.4389v4.pdf) [pdf],2014 * [用多模態神經語言模型統一視覺語義嵌入](http://arxiv.org/pdf/1411.2539v1.pdf) [pdf],2014 * [序列到序列 - 視頻到文本](http://arxiv.org/pdf/1505.00487v3.pdf) [pdf],2015 ## 8.自動游戲 這是一個模型學習如何僅根據屏幕上的像素來玩電腦游戲的任務。 這是一個深度強化模型的領域非常困難的任務,并且 [DeepMind](https://en.wikipedia.org/wiki/Google_DeepMind) (現在是谷歌的一部分)因實現該問題的突破性進展而聞名。 這項工作得到了擴展,并在谷歌 DeepMind 的 [AlphaGo](https://en.wikipedia.org/wiki/AlphaGo) 中達到頂峰,該游戲在 Go 游戲中擊敗了世界大師。 ### 進一步閱讀 * [深層強化學習](https://www.deepmind.com/blog) * [DeepMind YouTube 頻道](https://www.youtube.com/channel/UCP7jMXSY2xbc3KCAE0MHQ-A) * [深度學習演示](https://cs.stanford.edu/people/karpathy/convnetjs/demo/rldemo.html) * [DeepMind 的 AI 現在是 Atari 游戲專業版](http://www.wired.co.uk/article/google-deepmind-atari) ### 文件 * [使用深度強化學習](http://arxiv.org/pdf/1312.5602v1.pdf) [pdf],2013 年播放 Atari * [通過深度強化學習](http://www.nature.com/nature/journal/v518/n7540/full/nature14236.html)進行人類控制,2015 年 * [用深度神經網絡和樹搜索](http://www.nature.com/nature/journal/v529/n7587/full/nature16961.html)掌握 Go 游戲,2016 ## 其他例子 以下是上面列出的一些其他示例。 * 自動語音識別。 * [用于語音識別中聲學建模的深度神經網絡](http://static.googleusercontent.com/media/research.google.com/en//pubs/archive/38131.pdf) [pdf],2012 * 自動語音理解。 * [采用遞歸神經網絡進行端到端語音識別](http://www.jmlr.org/proceedings/papers/v32/graves14.pdf) [pdf],2014 * 自動將注意力集中在圖像中的目標上。 * [視覺注意的復發模型](http://arxiv.org/pdf/1406.6247v1.pdf) [pdf],2014 * 自動回答有關照片中對象的問題。 * [探索圖像問答的模型和數據](http://arxiv.org/pdf/1505.02074v4.pdf) [pdf],2015 * 自動將手稿轉換為照片。 * [卷積手稿反演](https://arxiv.org/abs/1606.03073) [pdf],2016 * 從粗略手稿自動創建風格化圖像。 * [神經涂鴉](https://github.com/alexjc/neural-doodle) ![Automatically Create Styled Image From Sketch](https://img.kancloud.cn/82/3d/823da44134fec2363ab19596b38286ce_960x385.png) 從草圖自動創建樣式圖像 由 [NeuralDoodle](https://github.com/alexjc/neural-doodle) 提供圖像 ## 更多資源 有很多很棒的資源,會談和更多幫助你對深度學習的能力和潛力感到興奮。 以下是一些額外的資源,可以幫助您激動。 * [深度學習的不合理效果](https://www.youtube.com/watch?v=sc-KbuZqGkI),Yann LeCun 在 2014 年的演講 * [令人敬畏的深度視覺](https://github.com/kjw0612/awesome-deep-vision)頂級深度學習計算機視覺論文列表 * [可以學習的計算機的精彩和恐怖的含義](https://www.youtube.com/watch?v=t4kyRyKyOpo),Jeremy Howard 的 TED 演講 * [哪種算法取得了最佳效果](http://rodrigob.github.io/are_we_there_yet/build/),計算機視覺數據集的最佳結果列表 * [神經網絡如何真正起作用](https://www.youtube.com/watch?v=l2dVjADTEDU),Geoffrey Hinton 2016 ## 摘要 在這篇文章中,您了解了 8 個深度學習應用程序,旨在激勵您能夠深入了解深度學習。 這種展示而不是說出的方法有望突破夸張,使您對深度學習技術的當前和未來功能有一個更清晰的了解。 您是否知道這里沒有列出任何深度學習的鼓舞人心的例子? 在評論中讓我知道。
                  <ruby id="bdb3f"></ruby>

                  <p id="bdb3f"><cite id="bdb3f"></cite></p>

                    <p id="bdb3f"><cite id="bdb3f"><th id="bdb3f"></th></cite></p><p id="bdb3f"></p>
                      <p id="bdb3f"><cite id="bdb3f"></cite></p>

                        <pre id="bdb3f"></pre>
                        <pre id="bdb3f"><del id="bdb3f"><thead id="bdb3f"></thead></del></pre>

                        <ruby id="bdb3f"><mark id="bdb3f"></mark></ruby><ruby id="bdb3f"></ruby>
                        <pre id="bdb3f"><pre id="bdb3f"><mark id="bdb3f"></mark></pre></pre><output id="bdb3f"></output><p id="bdb3f"></p><p id="bdb3f"></p>

                        <pre id="bdb3f"><del id="bdb3f"><progress id="bdb3f"></progress></del></pre>

                              <ruby id="bdb3f"></ruby>

                              哎呀哎呀视频在线观看