深度学习某些应用
利用深度学习网络的架构可以做很多有趣的研究.
比如对给定的图片生成一段文字,利用图片之间的语义相关距离找出类似的图片,利用深度学习自动的根据训练样本判断出鱼的不同种类,自动根据鱼的图片生成鱼的长度,蛋白质结构的重构和补全。等等。
很多深度学习框架的底层都是基于GPU运算的,通过GPU可以加速深度学习的过程,可以将GPU视为深度学习的引擎。
深度神经网络(Deep Neural Networks)以及回归神经网络(Recurrent Neural Networks)常常被应用到图像处理领域。
深度学习的架构
根据整个深度学习的架构演进从低到高,分别包括以下三个层面:
- 1. Nvidia DL stack则从底层硬件的层面实现了深度学习的硬件架构,
- 2. 软件层面则有CUDA-Basic Parallel Programming Toolkit.
- 3. 继续向上层考虑,则有Caffe, Torch,Theano等深度学习框架。
提到了一个有趣的应用就是根据可穿戴设备的传感器,采集到人的一些健康相关的数据,首先经过传感数据清洗,得到例如呼吸频率等一维信息,然后通过FFT将一维的信号转换到二维的频域,生成2-D的频谱图像.从而将原本不是图像的问题转换成类似于图像的问题进行处理.这是一个具有创新点的想法.
最后的目标是实现Autoencoder DNN for self-taught feature learning.