机器学习14：CNN的应用

一、Deep Dream

通过调整某一个filter训练得到的值，让filter中的参数绝对值变得更大，那么该filter代表的特征将会强化，机器将会把某些特征训练成它看到过的其他特征。

二、Deep Style

算法链接：https://arxiv.org/abs/150/8.06576

训练过程中，运用第一张图片的Content和第二张图片的style。content表示的就是CNN的filter的输出（学到的东西）；style表示的是CNN输出值之间的correlation。一张新的图片，maximizing他的content像第一张图，maximizing他的style像第二张图，得出风格转换的图。

三、Playing Go

AlphaGo将围棋额棋盘变成一个19*19的图片，黑色棋子代表1，白色-1，无子0。转换过程很简单：将棋盘分割成19*19的区域，然后计算每个区域中黑白像素的占比即可判断每个区域的实际棋子。那么，一个棋盘就可以用19*19的图片表示出来。

围棋具有适合CNN处理的理由：1、通常5*5的范围就可以判断出一个区域的胜负；2、同一种走法可能出现在任何区域。

AlphaGo并没有使用“池化层”，因为下采样会改变图像特性。

4、Speech

语音信号识别时，CNN的滑窗沿着频率维进行，沿着时间维可能没有太大意义，因为一般语音识别系统还会接LSTM等时间模型。对于雷达运动识别的信号，个人感觉还是需要在时间维移动，反映出频率随时间的变化。

5、Text

每一个单词用一个列向量表示，然后将一个句子组成一个矩阵，然后当作图像去CNN处理。CNN的卷积核的高度是列向量的维数。