机器学习:算法(数学和统计学)反映数据背后隐藏的客观规律 拟人
可分两大类:即监督类,非监督类。
可分五类:聚类,分类,回归,推荐,降维。其中一个重要算法为神经网络。
深度学习:神经网络是三层以上后面
人工智能:机器学习的一个应用方向与技术无关。
数据挖掘:机器学习的一个应用方向找到数据背后隐藏的客观规律
云计算:PAAS SAAS IAAS
深度学习是一个综合技术
1、卷积Conv-,池化Pool-和全连接层Fully-Connected Layers
2、ReLu激活函数
3、更深的网路层次,更多的参数
4、新的网络层(DWConv,SPConv,Group Convolution)和结构(Skip Connection,Dense Connection)
5、新的防止过拟合和技术(DropOut,Image Augmentation)
6、更大的训练数据和计算设施(千万级别的数据,GPU分布式计算)
深度学习在计算机视觉中的应用:
1.Classification(分类识别)每一幅图包含一种类别的物体 最后一层是Softmax层
2.Classification+Localization Bounding box Regression回归+Class Recognition
https://arxiv.org/abs/1312.6229
3.Object Detection 物体检测:一幅图包含多个物体,物体属于多种类别,需要定位出来,并识别类别
R-CNN, Fast R-CNN, Faster R-CNN,
YOLO; SSD
4.Instance Segmentation 边界检测
5.压缩 Auto-encoders, Self-organizing maps
6.生成图像描述Image Captioning 结合递归神经网络NLP
7.图像风格化转移 Image Stylization
8.基于内容的图像检索Image Retrieval
总结
1、更强大,自动从数据学习特征,无需手动提取特征:节约成本,并且更好(自动提取了空间和图像结合的特征,人脑无法想象)
2、更深的网络具有较好的能力,需要防止过拟合
3、更大的数据量 数据质量 数据标注
PyTorch=Tensorflow+Keras功能https://github.com/yuan776/deep-learning-with-python-cn/blob/master/SUMMARY.md
PyTorch强项在于做动态图比较好,Tensorflow强项在于做静态图比较好
nltk自然语言工具包 Pillow做图像处理的一些库与opencv功能重叠