【AI】人工智能学习之神经网络(02)

---------内容大纲---------

1、神经网络和机器学习

2、深度学习应用领域

3、深度学习怎么火起来

4、深度学习的短板

---------------------------

一、神经网络和深度学习

1、 神经网络不是算法，而是一种特征提取的方法，现在建模拼的不是算法，而是数据；传统的机器学习（范畴：AI>机器学习>深度学习）的基本步骤如下，这些环节里面最难的是特征工程。

2、传统机器学习：先拿数据、在处理、再人为去设计特征，很多都是人工介入；那有没有一种算法可以自己选特征，自己去组合、分解、融合，如果有，我们就会轻松很多，机器学习就是人工深度介入的活：人工找数据、人工设计特征，图像等场景用不起来，这就有了深度学习。

3、深度学习：主要是解决特征工程的问题，并且特征工程比算法和参数还要核心。

5、机器学习，最难的是选择特征，尤其对图片、文本等，根本做不了，特征很难。深度学习会把特征当作黑盒子，对原始数据做非常复杂的变换操作，输入数据来了，神经网络自动提取特征，这写特征会让计算机认识其含义，比如把图片中数字3的特征都提取出来，深度会学习到什么特征是最合适的，这个就是深度学习的核心。所以，深度学习解决的核心问题是提取特征。

二、深度学习应用领域

1、无人驾驶

  车子会自动开，通过算法判断，观察前后左右有没有车和人等等，这些都离不开CV的检测和识别技术，这个不行会害死人，如：特斯拉以前就因为把拖拉机当成了蓝天白云，导致车祸。深度学习再这些自动驾驶用的是比较多的，传统的用的少点。

2、人脸识别和检测

比如高铁车站，再人脸用的很多，比如抖音增加胡子、帽子等：先识别出眼睛以及人脸的关键点，在不同的点上加上视觉变换。

3、医学应用领域

 比如细胞检测、细胞变异，基因组合、药物发现等等

4、视频直播

国外直播都老不正经了，对人脸进行变脸直播，变脸对神经网络来说是很简单的，像素点的值的替换。

 5、老片翻新

电影分辨率的重构、自动上色，超分辨率重构，每年各种顶会都有很多好玩的应用

三、深度学习怎么火起来的

1、李飞飞，2012年，IMAGENET带火深度学习，6年号召全美N多少高校做了一个公益的收集、标注图像，神经网络都是有监督问题，需要带标注的数据，人脸68个点人工标注，是很麻烦的一个事情，做了1年多，完成了IMAGENET数据集。里面的数据都是公开的，适合做科研，22k种类，14M images，后来举办了图像分类大赛。2012年，AlexNet夺冠，效率提升很大，比第二名效率也高很多，高出10几个百分点，第二名就是传统算法，Alex用的是神经网络算法，很多人就开始认可深度学习了。

2、深度学习就是靠会议的论文发、比赛的作品展起来的，很多商业项目也是靠这些论文包装产品，数据规模小的时候，深度学习和传统算法差别不大，深度学习最好要大规模数据。可以自己生成数据，增强数据。通过旋转、反转、镜面变化、平移等等都可以增强数据，可以满足数据量的要求。

四、深度学习的问题

抖音，人脸移动的时候，自动贴的胡子，会不和脸移动，原因是深度学习计算的比较慢，没那么实时，参数多、千万级别，最大的问题：计算速度太慢了，这是他最大的短板，也是很多人研究的方向。

备注：以上素材来源与咕泡唐宇迪博士，对此表示感谢，更多AI文章请关注VX公众号