深度學(xué)習(xí)介紹

AI 地圖

X 軸：不同的模式（越往右時(shí)間越新）

• 符號(hào)學(xué)
• 概率模型：統(tǒng)計(jì)學(xué)模型
• 機(jī)器學(xué)習(xí)

Y 軸：?jiǎn)栴}領(lǐng)域（先要了解一個(gè)東西，然后通過(guò)推理形成知識(shí)，最后做規(guī)劃）

• 感知：所能看到的物體
• 推理：根據(jù)所看到的東西想象未來(lái)可能會(huì)發(fā)生什么
• 知識(shí)：根據(jù)所看到的數(shù)據(jù)或者是現(xiàn)象形成自己的知識(shí)
• 規(guī)劃：在知道所有東西的情況下能夠進(jìn)行一個(gè)比較長(zhǎng)遠(yuǎn)的規(guī)劃

自然語(yǔ)言處理：雖然取得了很大的進(jìn)展，但是還是停留在最簡(jiǎn)單的感知上

• 自然語(yǔ)言處理中機(jī)器翻譯用的比較多
• 人任何幾秒鐘之內(nèi)能夠反映過(guò)來(lái)的行為都可以認(rèn)為是感知的范圍
• 自然語(yǔ)言處理最早是符號(hào)學(xué)，因?yàn)檎Z(yǔ)言是一種符號(hào)，接下來(lái)才是概率模型和機(jī)器學(xué)習(xí)

計(jì)算機(jī)視覺(jué)：能夠在一些圖片中進(jìn)行推理

• 圖片都是由像素組成的，很難用符號(hào)學(xué)來(lái)解釋?zhuān)杂?jì)算機(jī)視覺(jué)大部分使用概率模型和機(jī)器學(xué)習(xí)

深度學(xué)習(xí)：機(jī)器學(xué)習(xí)的一種

過(guò)去八年中最熱門(mén)的大方向是自然語(yǔ)言處理、計(jì)算機(jī)視覺(jué)和深度學(xué)習(xí)三者的結(jié)合

深度學(xué)習(xí)在應(yīng)用上的突破：

圖片分類(lèi)

• ImageNet 數(shù)據(jù)集是一個(gè)比較大的圖片分類(lèi)數(shù)據(jù)集，包含1000類(lèi)的自然物體的圖片，大約有100萬(wàn)張圖片

• 上圖表示了從 2010 年到 2017 年的 ImageNet 分類(lèi)的錯(cuò)誤率
• X軸表示時(shí)間
• Y軸表示錯(cuò)誤率
• 圖中的點(diǎn)表示一些工作的錯(cuò)誤率
• 在2012年的時(shí)候錯(cuò)誤率有一個(gè)比較大的下降，也是深度學(xué)習(xí)的開(kāi)始，在接下來(lái)的5年中，深度學(xué)習(xí)將整個(gè)圖片分類(lèi)的誤差已經(jīng)降到非常低了，2017年的時(shí)候，基本上所有的團(tuán)隊(duì)都能將錯(cuò)誤率達(dá)到 5% 以?xún)?nèi)，基本上可以達(dá)到人類(lèi)對(duì)圖片識(shí)別的精度，因此，深度學(xué)習(xí)在圖片分類(lèi)上已經(jīng)做的非常好了

物體檢測(cè)和分割

• 當(dāng)不僅僅希望知道圖片中有什么內(nèi)容，還想要知道是什么、在什么地方，這就需要物體檢測(cè)
• 物體分割是想要知道每一個(gè)像素是屬于哪一個(gè)物體

樣式遷移

• 將樣式圖片和內(nèi)容圖片進(jìn)行合成，也可以認(rèn)為就是濾鏡，這樣的好處是只要找到某一種樣式的圖片就可以把內(nèi)容圖片換成任意所想要的形式

人臉合成

• 圖中所有的人臉都是假的，是通過(guò)算法隨機(jī)合成的照片

文字生成圖片

• 通過(guò)描述性的文字來(lái)生成對(duì)應(yīng)的圖片

文字生成

無(wú)人駕駛

案例研究：廣告點(diǎn)擊

• 問(wèn)題：給定用戶(hù)輸入，如何推送合適的廣告

大致可以分為以下三個(gè)階段：

1、觸發(fā)

• 在輸入關(guān)鍵詞之后，立即找到一些相應(yīng)的廣告

2、點(diǎn)擊率預(yù)估

• 建議一個(gè)預(yù)測(cè)模型，預(yù)測(cè)用戶(hù)在看到廣告之后的點(diǎn)擊情況，p表示用戶(hù)點(diǎn)擊廣告的概率

3、排序

• 跟據(jù)廣告的點(diǎn)擊率和每次用戶(hù)點(diǎn)擊之后廣告主所付的報(bào)酬，利用用戶(hù)點(diǎn)擊率*競(jìng)價(jià)作為廣告排序的依據(jù)，數(shù)值越大的排名越靠前，排名較低的可能會(huì)進(jìn)行舍棄

上述三個(gè)階段中最重要的是預(yù)測(cè)用戶(hù)點(diǎn)擊率的機(jī)器學(xué)習(xí)模型，步驟如下圖所示：

1、在看到一個(gè)廣告之后，首先需要進(jìn)行特征提?。?strong>廣告主、產(chǎn)品描述信息、產(chǎn)品圖片

2、將上述特征放入預(yù)測(cè)模型之后就能夠得到點(diǎn)擊率的預(yù)測(cè)

3、另外，可以將過(guò)去所有用戶(hù)的廣告點(diǎn)擊數(shù)據(jù)存下來(lái)，然后將其作為用戶(hù)真實(shí)的點(diǎn)擊行為進(jìn)行特征提取，然后對(duì)模型進(jìn)行訓(xùn)練

• 領(lǐng)域?qū)＜遥?/strong>對(duì)應(yīng)用領(lǐng)域有非常深的了解，并且了解機(jī)器學(xué)習(xí)，關(guān)注點(diǎn)在機(jī)器學(xué)習(xí)的模型對(duì)產(chǎn)品的影響
• 數(shù)據(jù)科學(xué)家：將原始數(shù)據(jù)變成機(jī)器學(xué)習(xí)模型所能理解的數(shù)據(jù)，然后進(jìn)行訓(xùn)練
• AI專(zhuān)家：關(guān)注某幾個(gè)點(diǎn)進(jìn)行進(jìn)一步精度和性能提升

Q&A

• 1、在機(jī)器學(xué)習(xí)的可解釋性，也就是機(jī)器學(xué)習(xí)在圖片分割領(lǐng)域?yàn)槭裁从行В壳坝袥](méi)有定論？
  ?

  深度學(xué)習(xí)介紹 QA P2 - 00:16

  ?

• 2、領(lǐng)域?qū)＜沂鞘裁匆馑迹?/strong>
  ?

  深度學(xué)習(xí)介紹 QA P2 - 01:56

  ?

• 3、MXNET安裝GPU版本必須需要卸載CPU版本的MXNET嗎？
  ?

  深度學(xué)習(xí)介紹 QA P2 - 03:05

  ?

• 4、深度學(xué)習(xí)無(wú)法用數(shù)學(xué)規(guī)范表述，只能從直覺(jué)上理解是嗎？
  ?

  深度學(xué)習(xí)介紹 QA P2 - 03:24

  ?

• 5、符號(hào)學(xué)可以和機(jī)器學(xué)習(xí)融合起來(lái)嗎？
  ?

  深度學(xué)習(xí)介紹 QA P2 - 03:51

  ?

• 6、數(shù)據(jù)科學(xué)家和AI專(zhuān)家的主要區(qū)別在哪里？
  ?

  深度學(xué)習(xí)介紹 QA P2 - 04:22

  ?

• 7、Mac是不是可以支持pytorch？
  ?

  深度學(xué)習(xí)介紹 QA P2 - 05:34

  ?

• 8、自然語(yǔ)言?xún)H僅在感知層面似乎不太合適，因?yàn)檎Z(yǔ)言的理解和感知不僅僅涉及感知，也涉及到語(yǔ)言知識(shí)和世界的知識(shí)，也涉及到規(guī)劃
  ?

  深度學(xué)習(xí)介紹 QA P2 - 05:52

  ?

• 9、請(qǐng)問(wèn)老師有考慮講一講如何尋找自己領(lǐng)域的paper的經(jīng)驗(yàn)嗎？
  ?

  深度學(xué)習(xí)介紹 QA P2 - 06:44

  ?

• 10、以無(wú)人駕駛的環(huán)境識(shí)別為例，誤判率在不斷下降，但是誤判帶來(lái)的影響可能是很?chē)?yán)重的，有可能從已有的判斷case得到修正從而完全避免這樣的錯(cuò)誤嗎？
  ?

  深度學(xué)習(xí)介紹 QA P2 - 07:56

  ?

----end----

其他參考：

1、《動(dòng)手學(xué)深度學(xué)習(xí)》，課程PPT，https://courses.d2l.ai/zh-v2/assets/pdfs/part-0_2.pdf

標(biāo)簽：