課程介紹

伴隨人工智能時(shí)代的到來(lái)，越來(lái)越多的人開始關(guān)注深度學(xué)習(xí)，且希望能夠入行深度學(xué)習(xí)，其中不乏一些行業(yè)小白、非計(jì)算機(jī)專業(yè)的人士。

本達(dá)人課，共計(jì)11篇文章，涵蓋了入行深度學(xué)習(xí)所涉及到的大多數(shù)疑問，以及行業(yè)介紹、前景展望和實(shí)戰(zhàn) Demo，作者希望通過最樸實(shí)、通俗的語(yǔ)言，從一個(gè)入門者的角度，分享自己曾經(jīng)遇到的那些坑和學(xué)習(xí)經(jīng)驗(yàn)，幫助那些希望轉(zhuǎn)行、找不到方向的朋友走進(jìn)深度學(xué)習(xí)的世界。

本課程共包含三大部分：

第一部分（第1篇）帶您初步認(rèn)識(shí)深度學(xué)習(xí)，了解行業(yè)背景、優(yōu)勢(shì)、前景以及入行深度學(xué)習(xí)需要的一些準(zhǔn)備工作，為那些準(zhǔn)備入行的人答疑、解惑。

第二部分（第2-7篇）帶您具體了解深度學(xué)習(xí)技術(shù)在不同行業(yè)的應(yīng)用，并分享學(xué)習(xí)深度學(xué)習(xí)的經(jīng)驗(yàn)，幫助大家找到研究方向。

第三部分（第8-11篇）熟悉深度學(xué)習(xí)的兩種框架 Caffe 和 TensorFlow，通過簡(jiǎn)單的 Demo 引導(dǎo)大家開始深度學(xué)習(xí)實(shí)戰(zhàn)。

作者介紹

王學(xué)寬，曾就職于海康威視研究院擔(dān)任計(jì)算機(jī)視覺方向算法工程師，發(fā)表多篇學(xué)術(shù)論文、申請(qǐng)多項(xiàng)國(guó)家專利，參與多項(xiàng)圖像、自然語(yǔ)言項(xiàng)目相關(guān)課題研發(fā)工作，在計(jì)算機(jī)視覺領(lǐng)域具有深厚的專業(yè)知識(shí)和工程開發(fā)經(jīng)驗(yàn)。運(yùn)營(yíng)有公眾號(hào)：白話機(jī)器學(xué)習(xí)（微信號(hào)：simpleml90hou），開設(shè)有知乎專欄：《深度學(xué)習(xí)干貨鋪》。

課程內(nèi)容

第01課：深度學(xué)習(xí)行業(yè)概述

目前，“深度學(xué)習(xí)”這一詞已經(jīng)變得越來(lái)越普及，生活中也是到處都充斥著這一詞匯，同時(shí)也有越來(lái)越多的人開始想要從事這一行的相關(guān)工作，嘗試著接觸、了解這一行業(yè)。

當(dāng)然，關(guān)于這一行業(yè)的相關(guān)介紹很多，也很雜亂，初學(xué)者往往很容易被各種各樣的概念搞得很迷惑，即便是計(jì)算機(jī)從業(yè)者有時(shí)候也分不清很多涉及到深度學(xué)習(xí)的很多問題和概念。

因此，本文希望通過一些通俗的語(yǔ)言來(lái)系統(tǒng)的介紹下關(guān)于深度學(xué)習(xí)行業(yè)的一些相關(guān)知識(shí)，引導(dǎo)一些初學(xué)者，建立一個(gè)相對(duì)比較完整的全局觀，明白自己到底在學(xué)什么，以及學(xué)習(xí)這些知識(shí)，能夠?qū)ι鐣?huì)的發(fā)展和人們的生活帶來(lái)哪些便利。更實(shí)際一點(diǎn)來(lái)講，對(duì)于一個(gè)深度學(xué)習(xí)算法工程師，在以后就業(yè)會(huì)主要從事哪些工作？

這里我們先了解下深度學(xué)習(xí)的發(fā)展歷程。

對(duì)于深度學(xué)習(xí)的框架，可以最早追溯到1980年福島邦彥提出的新認(rèn)知機(jī)，然而，受限于當(dāng)時(shí)的計(jì)算能力，而且缺少有效的訓(xùn)練手段來(lái)解決其中涉及到的梯度消失的問題，因此，這一技術(shù)也就在20世紀(jì)90年代到21世紀(jì)初的時(shí)候遇到了寒冬期。而在此期間，SVM （支持向量機(jī)）處于統(tǒng)治地位，此外，還有隨機(jī)森林、稀疏表示、判別分析等方法。

這個(gè)階段的機(jī)器學(xué)習(xí)方法，主要是多種方法的集成，雖然在小規(guī)模樣本上具有較好的性能，但是對(duì)于大規(guī)模樣本卻并沒有表現(xiàn)出太好的優(yōu)勢(shì)。然而，大數(shù)據(jù)時(shí)代的到來(lái)，這些傳統(tǒng)的機(jī)器學(xué)習(xí)方法難以滿足數(shù)據(jù)處理、表達(dá)的新時(shí)代需求，不管是工業(yè)屆還是學(xué)術(shù)屆，都需要一種處理大規(guī)模數(shù)據(jù)的機(jī)器學(xué)習(xí)方法。

恰恰在這個(gè)時(shí)候，杰弗里·辛頓（Geoffrey Hinton）和魯斯蘭·薩拉赫丁諾夫（Ruslan Salakhutdinov）提出了一種在前饋神經(jīng)網(wǎng)絡(luò)中進(jìn)行有效訓(xùn)練的算法，為深度學(xué)習(xí)方法帶來(lái)了新的研究曙光，并在各個(gè)領(lǐng)域得到迅速的發(fā)展，尤其是在自然語(yǔ)言處理、計(jì)算機(jī)視覺和語(yǔ)音識(shí)別中，成為各種領(lǐng)先系統(tǒng)的一部分。

接下來(lái)，我們看下深度學(xué)習(xí)發(fā)展中的大事件。

• 2007年，杰弗里·辛頓（Geoffrey Hinton）和魯斯蘭·薩拉赫丁諾夫（Ruslan Salakhutdinov）提出了一種在前饋神經(jīng)網(wǎng)絡(luò)中進(jìn)行有效訓(xùn)練的算法；
• 2009年，在 ICDAR 2009舉辦的連筆手寫識(shí)別競(jìng)賽中，在沒有任何先驗(yàn)知識(shí)的情況下，深度多維長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)取得了其中三場(chǎng)比賽的勝利；
• 2010年，在于爾根·施密德胡伯位于瑞士人工智能實(shí)驗(yàn)室 IDSIA 的研究組中，丹·奇雷尚（Dan Ciresan）和他的同事展示了利用 GPU 直接執(zhí)行反向傳播算法而忽視梯度消失問題的存在。這一方法在燕樂存等人給出的手寫識(shí)別 MNIST 數(shù)據(jù)集上戰(zhàn)勝了已有的其他方法；
• 2011年，前饋神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)中最新的方法是交替使用卷積層（Convolutional Layers）和最大值池化層（Max-pooling Layers）并加入單純的分類層作為頂端。訓(xùn)練過程也無(wú)需引入無(wú)監(jiān)督的預(yù)訓(xùn)練。從2011年起，這一方法的 GPU 實(shí)現(xiàn)多次贏得了各類模式識(shí)別競(jìng)賽的勝利，包括 IJCNN 2011交通標(biāo)志識(shí)別競(jìng)賽和其他比賽；
• 2011年，語(yǔ)音識(shí)別領(lǐng)域憑借深度學(xué)習(xí)取得重大突破；
• 2012年，AlexNet，一個(gè)8層的神經(jīng)網(wǎng)絡(luò)，以超越第二名10個(gè)百分點(diǎn)的成績(jī)?cè)?ImageNet 競(jìng)賽中奪冠（圖像分類的 Top5 錯(cuò)誤率為16.4%），深度學(xué)習(xí)終迎來(lái)包括學(xué)術(shù)探索與工業(yè)應(yīng)用中的熱潮。不斷提升的層數(shù)逐步提升計(jì)算機(jī)分類視覺的準(zhǔn)確率；
• 2013年，Zfnet，獲得 ILSVRC 冠軍；
• 2014年，VGGNet、GoogleNet、DeepFace、RCNN，在分類、人臉識(shí)別、目標(biāo)檢測(cè)等領(lǐng)域取得優(yōu)異的性能；
• 2015年，奪冠的 ResNet 深達(dá)152層，以3.57%的錯(cuò)誤率超越人類視覺的5.1%；
• 2016年-至今，Fast-Rcnn、Faster-Rcnn、Yolo、SSD 等目標(biāo)檢測(cè)算法突破。
• 2016年，AlphaGo 擊敗人類。

目前，深度學(xué)習(xí)技術(shù)已經(jīng)在圖像、語(yǔ)音、自然語(yǔ)言、推薦算法等這些常見的領(lǐng)域中，得到重大突破，并且已經(jīng)服務(wù)于我們的日常生產(chǎn)、生活中。比如：安防領(lǐng)域的人臉識(shí)別、ADAS 系統(tǒng)中目標(biāo)檢測(cè)與跟蹤、OCR 識(shí)別、語(yǔ)音識(shí)別與合成、文本情感分析、主題挖掘等等。

談了這么多深度學(xué)習(xí)的歷程，那到底什么是深度學(xué)習(xí)呢？其實(shí)，關(guān)于深度學(xué)習(xí)的解釋非常多，總結(jié)來(lái)說(shuō)，它是一種具有多層結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)算法，屬于機(jī)器學(xué)習(xí)算法一種，而機(jī)器學(xué)習(xí)則是實(shí)現(xiàn) AI 的一種技術(shù)手段。換言之，深度學(xué)習(xí)對(duì)于人工智能技術(shù)的發(fā)展具有重大意義。我們看一下，如下圖所示的深度學(xué)習(xí)結(jié)構(gòu)：

一個(gè)完整的度網(wǎng)絡(luò)，主要包括了輸入層、輸出層和中間的隱層，每一層網(wǎng)絡(luò)由一個(gè)個(gè)節(jié)點(diǎn)組成，而不同層之間則通過節(jié)點(diǎn)和節(jié)點(diǎn)之間的線連接起來(lái)，而這些點(diǎn)和連接就表達(dá)為線性組合關(guān)系。當(dāng)然，目前深度學(xué)習(xí)網(wǎng)路結(jié)構(gòu)的多樣性，也存在很多類似的非線性組合的網(wǎng)絡(luò)層。深度學(xué)習(xí)就是通過這些節(jié)點(diǎn)和節(jié)點(diǎn)之間的關(guān)系來(lái)表達(dá)客觀世界中的事物、邏輯關(guān)系等等。

關(guān)于深度學(xué)習(xí)的概念，已經(jīng)足夠火熱，當(dāng)然我們?cè)谡J(rèn)識(shí)它的時(shí)候，依然需要保持冷靜的頭腦，必須認(rèn)識(shí)到：

深度學(xué)習(xí)并不是萬(wàn)能的，尤其對(duì)于工程上的實(shí)際分析，有時(shí)候，單純的使用深度學(xué)習(xí)的方案并不能有效的解決問題，對(duì)于一個(gè)實(shí)際的項(xiàng)目而言，往往需要考慮到各個(gè)方面的問題，一個(gè)好的項(xiàng)目，一定是一個(gè)無(wú)比細(xì)致工作的體現(xiàn)。

深度學(xué)習(xí)不會(huì)取代所有其他機(jī)器學(xué)習(xí)算法和數(shù)據(jù)科學(xué)技術(shù)，至少還沒有被證明是這樣。

深度學(xué)習(xí)能夠解決的任務(wù)目前主要集中在分類、識(shí)別、檢測(cè)、回歸等這些可定義的、比較明確的任務(wù)上，并沒有擴(kuò)大到非常復(fù)雜的問題，例如“解決世界和平”。

深度學(xué)習(xí)與大數(shù)據(jù)的關(guān)系

“大數(shù)據(jù)”在幾年前剛出現(xiàn)的時(shí)候，也存在各種各樣的文章來(lái)定義大數(shù)據(jù)，我也不打算在這個(gè)概念上花太多的精力。簡(jiǎn)單來(lái)講，大數(shù)據(jù)通常被定義為“超出常用軟件工具捕獲，管理和處理能力”的數(shù)據(jù)集。它不是具體的方法，甚至不算具體的研究學(xué)科，而只是對(duì)某一類問題，或需處理的數(shù)據(jù)的描述。

通常，大數(shù)據(jù)的“大”主要體現(xiàn)在 Volume（數(shù)據(jù)量）, Velocity（數(shù)據(jù)速度）還有 variety（數(shù)據(jù)類別）。大數(shù)據(jù)問題（Big-data Problem）可以指那種在這三個(gè)“V”上因?yàn)榇蠖鴰?lái)的挑戰(zhàn)。在之前我們也提到了，傳統(tǒng)的機(jī)器學(xué)習(xí)方法的表達(dá)能力有限，在小規(guī)模數(shù)據(jù)上能夠表現(xiàn)較好的性能，但是在大數(shù)據(jù)背景下則顯得很無(wú)力。而深度學(xué)習(xí)則不同，通過增加節(jié)點(diǎn)數(shù)目、網(wǎng)絡(luò)深度等，它能夠表達(dá)更多的數(shù)據(jù)，針對(duì)大數(shù)據(jù)的背景，它的數(shù)據(jù)擬合能力遠(yuǎn)遠(yuǎn)優(yōu)于傳統(tǒng)的機(jī)器學(xué)習(xí)方法。從這個(gè)角度上來(lái)看，二者的關(guān)系則是相輔相成的，沒有大數(shù)據(jù)的存在，深度學(xué)習(xí)的方法也很難得到有效的訓(xùn)練和優(yōu)化，而沒有深度學(xué)習(xí)方法，大數(shù)據(jù)本身也就沒有了價(jià)值。

深度學(xué)習(xí)與人工智能的關(guān)系

1956年，在達(dá)特茅斯會(huì)議（Dartmouth Conferences）上，計(jì)算機(jī)科學(xué)家首次提出了“AI”術(shù)語(yǔ)，AI 由此誕生，在隨后的日子里，AI 成為實(shí)驗(yàn)室的“幻想對(duì)象”。幾十年過去了，人們對(duì) AI 的看法不斷改變，有時(shí)會(huì)認(rèn)為 AI 是預(yù)兆，是未來(lái)人類文明的關(guān)鍵，有時(shí)認(rèn)為它只是技術(shù)垃圾，只是一個(gè)輕率的概念，野心過大，注定要失敗。直到今天，深度學(xué)習(xí)技術(shù)的發(fā)展，才使得 AI 變得越來(lái)越可能。

其實(shí)，對(duì)于大多數(shù)人工智能從業(yè)者而言，很難去對(duì)其進(jìn)行一個(gè)精確的定義。如果非要對(duì)其進(jìn)行定義的話，我覺得這個(gè)概念更加合適“它企圖了解智能的實(shí)質(zhì)，并生產(chǎn)出一種新的能以人類智能相似的方式做出反應(yīng)的智能體，它必然會(huì)經(jīng)歷從模仿人類智能到超越人類智能的過程。”而深度學(xué)習(xí)則是機(jī)器學(xué)習(xí)的一種，它屬于實(shí)現(xiàn)人工智能的一種技術(shù)手段。

今天，越來(lái)越多的人經(jīng)常會(huì)提到“我想學(xué)習(xí)人工智能”，其實(shí)這是一個(gè)非常大的概念。從數(shù)據(jù)存在的形態(tài)來(lái)看，主要包括了文本、語(yǔ)音、數(shù)字圖像，而人工智能需要智能體對(duì)這些客觀世界存在信息進(jìn)行理解、表達(dá)，并學(xué)會(huì)利用這些信息進(jìn)行決策、分析。這些行為的實(shí)現(xiàn)，單純的依靠數(shù)據(jù)是無(wú)法實(shí)現(xiàn)的，需要一個(gè)框架來(lái)完成存儲(chǔ)、表達(dá)、理解、分析、決策的過程，而深度學(xué)習(xí)則是這些任務(wù)實(shí)現(xiàn)的一種關(guān)鍵技術(shù)，它能夠有效的完整對(duì)大數(shù)據(jù)的刻畫和理解，特征抽取與表達(dá)，對(duì)人工智能的發(fā)展起到了核心關(guān)鍵作用。

深度學(xué)習(xí)行業(yè)現(xiàn)狀

深度學(xué)習(xí)作為一種技術(shù)，在行業(yè)中的體現(xiàn)，依然要依托于智能化的產(chǎn)品和相應(yīng)的人工智能企業(yè)。根據(jù)2016年烏鎮(zhèn)智庫(kù)推出《全球人工智能發(fā)展報(bào)告產(chǎn)業(yè)篇》，該報(bào)告詳實(shí)的描繪出全球人工智能發(fā)展的最新趨勢(shì)，展示出各國(guó)在人工智能領(lǐng)域的競(jìng)爭(zhēng)態(tài)勢(shì)。報(bào)告指出，在2000-2016年，美國(guó)累積新增人工智能企業(yè)3033家，占全球累積總數(shù)的37.41%。中國(guó)在同年段間，人工智能企業(yè)數(shù)累積增長(zhǎng)1477家，占全球人工智能總數(shù)的12.91%。雖然在數(shù)量上不及美國(guó)，但三組數(shù)據(jù)值得關(guān)注：

美國(guó)每年新增人工智能企業(yè)數(shù)占當(dāng)年全球新增人工智能企業(yè)總數(shù)的比例一直在下降，2000年時(shí)這一比例為45%，2016年時(shí)下降至26%。而中國(guó)每年新增人工智能企業(yè)數(shù)占全球當(dāng)年新增企業(yè)總數(shù)的比例保持上升趨勢(shì)，2015年達(dá)到近17年來(lái)的最高值，超過25%。近五年來(lái)看，美國(guó)新增人工智能企業(yè)數(shù)占全國(guó)人工智能總數(shù)的59.38%，中國(guó)新增人工智能企業(yè)數(shù)占全國(guó)人工智能總數(shù)則為72.71%。在人工智能專利數(shù)上，最近五年，中國(guó)專利數(shù)平均每年增速為43%，美國(guó)增數(shù)為21.7%。透過這三組數(shù)據(jù)，可以看到中國(guó)近年來(lái)在人工智能上發(fā)展迅猛。

下圖，給出了2017年，人工智能公司的排名，當(dāng)然，此排名可能存在一些不準(zhǔn)確的情況，僅供參考。

從這些人工智能公司來(lái)看，目前深度學(xué)習(xí)的應(yīng)用領(lǐng)域十分廣泛，涉及到了安防領(lǐng)域、搜索引擎、智能推薦、語(yǔ)音識(shí)別、自然語(yǔ)言處理、人機(jī)交互、智慧醫(yī)療、生物信息識(shí)別、機(jī)器人、3D 視覺、智慧教育、智能圖像理解與分析等等。

另外，從政策的角度來(lái)看，2016年7月，在國(guó)務(wù)院印發(fā)的《“十三五”國(guó)家科技創(chuàng)新規(guī)劃》中，人工智能被作為新一代信息技術(shù)中的一項(xiàng)列入規(guī)劃。2017年3月，“人工智能”首度被列入政府工作報(bào)告。2017年，國(guó)務(wù)院又下發(fā)了《新一代人工智能發(fā)展規(guī)劃的通知》，通知中寫道，“到2020年人工智能總體技術(shù)和應(yīng)用與世界先進(jìn)水平同步，到2025年人工智能基礎(chǔ)理論實(shí)現(xiàn)重大突破，到2030年人工智能理論、技術(shù)與應(yīng)用總體達(dá)到世界領(lǐng)先水平”。可以預(yù)計(jì)，中國(guó)的人工智能產(chǎn)業(yè)將迎來(lái)“大躍進(jìn)”的時(shí)代。

綜上，智能社會(huì)的到來(lái)，必須依賴于人工智能技術(shù)的發(fā)展，而深度學(xué)習(xí)則是目前能夠?qū)崿F(xiàn)人工智能的最有效的手段之一，甚至在很多領(lǐng)域具備了統(tǒng)治地位。深度學(xué)習(xí)行業(yè)如何？必然大有所為。

參考資料

• 重磅 | 國(guó)務(wù)院印發(fā)新一代人工智能發(fā)展規(guī)劃，到 2030 年達(dá)到世界領(lǐng)先水平
• 2017年人工智能與深度學(xué)習(xí)——年度大事件
• 硅谷最有潛力的人工智能公司有哪些：參考一、參考二

第02課：深度學(xué)習(xí)在計(jì)算機(jī)視覺行業(yè)中的應(yīng)用

伴隨著深度學(xué)習(xí)技術(shù)的發(fā)展和普及，“計(jì)算機(jī)視覺”這一詞匯也受到越來(lái)越多的人關(guān)注。尤其是深度學(xué)習(xí)計(jì)算芯片技術(shù)的發(fā)展，使得圖像信息處理的能力大大加強(qiáng)，市場(chǎng)上關(guān)于計(jì)算機(jī)視覺技術(shù)的產(chǎn)品也越來(lái)越多。那到底什么是計(jì)算機(jī)視覺？它和深度學(xué)習(xí)有什么關(guān)系？目前有哪些計(jì)算機(jī)視覺相關(guān)的產(chǎn)品需要用到深度學(xué)習(xí)呢？

首先，我們解釋下什么是計(jì)算機(jī)視覺？

計(jì)算機(jī)視覺是指用計(jì)算機(jī)實(shí)現(xiàn)人的視覺功能——對(duì)客觀世界的三維場(chǎng)景的感知、識(shí)別和理解。這里主要有兩類方法：一類是仿生學(xué)的方法，參照人類視覺系統(tǒng)的結(jié)構(gòu)原理，建立相應(yīng)的處理模塊完成類似的功能和工作；另一類是工程的方法，從分析人類視覺過程的功能著手，并不去刻意模擬人類視覺系統(tǒng)內(nèi)部結(jié)構(gòu)，而僅考慮系統(tǒng)的輸入和輸出，并采用任何現(xiàn)有的可行的手段實(shí)現(xiàn)系統(tǒng)功能。[摘自《圖像理解與計(jì)算機(jī)視覺》]

舉個(gè)例子，最經(jīng)典也是工業(yè)化水平最高的計(jì)算機(jī)視覺技術(shù)就是人臉識(shí)別技術(shù)。一個(gè)簡(jiǎn)單的人臉識(shí)別系統(tǒng)，包括了人臉數(shù)據(jù)庫(kù)和人臉比對(duì)算法，判定兩個(gè)人臉是否是同一個(gè)人臉，最直接的方法就是計(jì)算兩張人臉圖像之間的差異，然而，這樣做往往是很難有效的區(qū)分相同人臉和不同人臉的。而計(jì)算機(jī)視覺技術(shù)的存在，就是通過對(duì)人臉圖像進(jìn)行特征表示，也就是抽取人臉圖像中那些共性和差異性的特征，并用來(lái)對(duì)人臉圖像進(jìn)行重新表示，在結(jié)合度量方法來(lái)進(jìn)行相似性的衡量。其中，表示和度量的過程，我們通常也就是采用機(jī)器學(xué)習(xí)的方法來(lái)完成。因此，機(jī)器學(xué)習(xí)技術(shù)就是解決計(jì)算機(jī)視覺任務(wù)的一種關(guān)鍵性技術(shù)。

那計(jì)算機(jī)視覺和人工智能是什么關(guān)系呢？ 它屬于人工智能的一個(gè)子領(lǐng)域，主要關(guān)注于圖像信號(hào)數(shù)據(jù)的處理、理解和分析。因此，我們?cè)谘芯坑?jì)算機(jī)視覺技術(shù)的時(shí)候，會(huì)發(fā)現(xiàn)計(jì)算機(jī)視覺的理念在某些方面其實(shí)與很多概念有部分重疊，包括：人工智能、數(shù)字圖像處理、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、模式識(shí)別、概率圖模型、科學(xué)計(jì)算以及一系列的數(shù)學(xué)計(jì)算等。

還有一個(gè)概念經(jīng)常會(huì)和計(jì)算機(jī)視覺搞混淆，那就是機(jī)器視覺。 很多人在開始接觸到這兩個(gè)概念的時(shí)候會(huì)簡(jiǎn)單的認(rèn)為計(jì)算機(jī)也屬于機(jī)器的一種，因此，計(jì)算機(jī)視覺就是機(jī)器視覺的一個(gè)方面。當(dāng)然，這樣認(rèn)為也不是完全有錯(cuò)誤，只是會(huì)顯得有些局限。計(jì)算機(jī)視覺研究的是人眼的仿真，而機(jī)器視覺則側(cè)重于為工業(yè)中的制造業(yè)提供更多有利于提高產(chǎn)品質(zhì)量和提高生產(chǎn)效率的支持。我們強(qiáng)調(diào)機(jī)器視覺、計(jì)算機(jī)視覺和圖像處理不是同義的。它們其中之一都不是任何其他兩個(gè)的子集。計(jì)算機(jī)視覺是計(jì)算機(jī)科學(xué)的一個(gè)分支，而機(jī)器視覺是系統(tǒng)工程一個(gè)特殊領(lǐng)域。

深度學(xué)習(xí)屬于機(jī)器學(xué)習(xí)的一種，對(duì)于大數(shù)據(jù)背景下的計(jì)算機(jī)視覺任務(wù)，尤其在檢測(cè)、分類、識(shí)別等任務(wù)上，都表現(xiàn)出難以匹配的優(yōu)勢(shì)。尤其，目前越來(lái)越多的深度學(xué)習(xí)芯片的生產(chǎn)和制造，也確保了深度學(xué)習(xí)技術(shù)，在計(jì)算機(jī)視覺任務(wù)中的核心地位。接下來(lái)，我們看一下深度學(xué)習(xí)在計(jì)算機(jī)視覺任務(wù)中有哪些重要的應(yīng)用領(lǐng)域。

1.深度學(xué)習(xí)在安防領(lǐng)域的重要應(yīng)用。

利用計(jì)算機(jī)視覺技術(shù)來(lái)完成安防領(lǐng)域的解決方案，這是大多數(shù)視覺公司都會(huì)選擇切入的一個(gè)領(lǐng)域，涉及到的企業(yè)包括海康威視、商湯科技、依圖科技、Face++，甚至互聯(lián)網(wǎng)公司百度、騰訊、阿里巴巴等。其中，一個(gè)重要的應(yīng)用就是人臉識(shí)別技術(shù)，自2014年的 DeepFace 開始至今，深度學(xué)習(xí)的方法在該領(lǐng)域幾乎達(dá)到壟斷地位。而人臉識(shí)別技術(shù)，在安檢、反恐等安防領(lǐng)域有著重要的意義。當(dāng)然，除去人臉識(shí)別，近幾年也開始研究從行人的角度出發(fā)的 ReID 技術(shù)，利用深度學(xué)習(xí)來(lái)進(jìn)行人的檢測(cè)、并刻畫目標(biāo)的特征，為后續(xù)的跟蹤、異常行為分析提供有效的支撐。

2.深度學(xué)習(xí)在無(wú)人駕駛領(lǐng)域的重要應(yīng)用。

在無(wú)人駕駛領(lǐng)域，考慮到激光、雷達(dá)等傳感器價(jià)格昂貴等特點(diǎn)，這使得基于計(jì)算機(jī)視覺的解決方案大受追捧。而對(duì)于無(wú)人駕駛的攝像機(jī)采集到的視頻數(shù)據(jù)，需要機(jī)器對(duì)其中的內(nèi)容進(jìn)行理解、分析并用于后續(xù)的決策控制，比如：前車碰撞預(yù)警等。因此，需要一系列的計(jì)算視覺算法來(lái)完成其中涉及的任務(wù)，具體包括了目標(biāo)檢測(cè)和識(shí)別、多目標(biāo)跟蹤、車道線檢測(cè)分離等。而基于深度學(xué)習(xí)的目標(biāo)檢測(cè)和識(shí)別、基于深度學(xué)習(xí)的目標(biāo)分割等方法，同樣相對(duì)于傳統(tǒng)的方法有著明顯的優(yōu)勢(shì)。并且目前越來(lái)越多的深度學(xué)習(xí)芯片，尤其關(guān)注無(wú)人駕駛領(lǐng)域的問題，對(duì)相關(guān)算法的支持也越來(lái)越好，這也使得深度學(xué)習(xí)技術(shù)對(duì)無(wú)人駕駛技術(shù)的發(fā)展起到了重要的推動(dòng)作用。目前國(guó)內(nèi)對(duì)問題研究的機(jī)構(gòu)同樣非常多，包括了 Google、百度、海康威視、Mobileye 等，可以說(shuō)，深度學(xué)習(xí)是無(wú)人駕駛領(lǐng)域的一種重要的基礎(chǔ)算法。

3.深度學(xué)習(xí)在智能家居領(lǐng)域的重要應(yīng)用。

傳統(tǒng)的智能家居產(chǎn)品更多的是采用手機(jī)端結(jié)合藍(lán)牙或者 WiFi 等通信手段來(lái)完成對(duì)家居的控制和使用。雖然此類解決方案能夠?qū)崿F(xiàn)一定程度上的家居智能，但是我們會(huì)依然覺得，智能化的程度依然不夠。而深度學(xué)習(xí)的方法，則對(duì)于智能家居的發(fā)展起到了重要的作用。除了語(yǔ)音識(shí)別、語(yǔ)音合成以外，另一個(gè)重要的點(diǎn)就是利用視覺技術(shù)進(jìn)行人機(jī)交互，比如：手勢(shì)識(shí)別等。

4.深度學(xué)習(xí)在智慧教育領(lǐng)域的應(yīng)用。

在教育領(lǐng)域，目前比較火熱的產(chǎn)品就是拍照試題等 App，通過手機(jī)端輸入一張圖片后，App 利用智能算法，來(lái)對(duì)獲取到的區(qū)域的內(nèi)容進(jìn)行理解和分析，同樣涉及到了深度學(xué)習(xí)的方法，比如：題目的檢測(cè)、目標(biāo)區(qū)域文字檢測(cè)與識(shí)別等等。同樣，深度學(xué)習(xí)的方法對(duì)于類問題的解決，依然有著重大的性能優(yōu)勢(shì)。

5.深度學(xué)習(xí)在 OCR 領(lǐng)域的重要應(yīng)用。

除了教育會(huì)涉及到文字檢測(cè)與識(shí)別，在一些諸如：簡(jiǎn)歷的識(shí)別、文檔的識(shí)別、身份證識(shí)別等等領(lǐng)域，同樣會(huì)存在一些關(guān)于圖片中文字的內(nèi)容理解和分析的部分，而對(duì)于這也任務(wù)而言，同樣深度學(xué)習(xí)是一種更優(yōu)的選擇。此類問題，其實(shí)可以直接概括為自然場(chǎng)景下的文本檢測(cè)和識(shí)別任務(wù)。

6.深度學(xué)習(xí)在圖片檢索領(lǐng)域的重要應(yīng)用。

以圖搜索圖的目的是為了找到和原圖相似的圖片，它不僅會(huì)涉及到圖像檢索引擎的建立，同樣也依賴于一個(gè)較好的圖像特征抽取的方法。而深度學(xué)習(xí)依然成為了一種較為有效的技術(shù)手段和方法，并在眾多的圖像檢測(cè)問題中，起到了重要的作用。

7.深度學(xué)習(xí)在醫(yī)療影像數(shù)據(jù)中的應(yīng)用。

深度學(xué)習(xí)在醫(yī)療健康領(lǐng)域的機(jī)遇主要有七大方向：一是提供臨床診斷輔助系統(tǒng)等醫(yī)療服務(wù)，應(yīng)用于早期篩查、診斷、康復(fù)、手術(shù)風(fēng)險(xiǎn)評(píng)估場(chǎng)景；二是醫(yī)療機(jī)構(gòu)的信息化，通過數(shù)據(jù)分析，幫助醫(yī)療機(jī)構(gòu)提升運(yùn)營(yíng)效率；三是進(jìn)行醫(yī)學(xué)影像識(shí)別，幫助醫(yī)生更快更準(zhǔn)地讀取病人的影像所見；四是利用醫(yī)療大數(shù)據(jù)，助力醫(yī)療機(jī)構(gòu)大數(shù)據(jù)可視化及數(shù)據(jù)價(jià)值提升；五是在藥企研發(fā)領(lǐng)域，解決藥品研發(fā)周期長(zhǎng)、成本高的問題；六是健康管理服務(wù)，通過包括可穿戴設(shè)備在內(nèi)的手段，監(jiān)測(cè)用戶個(gè)人健康數(shù)據(jù)，預(yù)測(cè)和管控疾病風(fēng)險(xiǎn)；七是在基因測(cè)序領(lǐng)域，將深度學(xué)習(xí)用于分析基因數(shù)據(jù)，推進(jìn)精準(zhǔn)醫(yī)療。而醫(yī)學(xué)影像是醫(yī)生判斷疾病的一個(gè)重要手段，放射科、病理科等擅長(zhǎng)讀圖的醫(yī)生增長(zhǎng)率和診斷效率急需提升，成為很多醫(yī)療機(jī)構(gòu)的心病。目前，在人類醫(yī)學(xué)專家的幫助下，國(guó)內(nèi)外研究團(tuán)隊(duì)已經(jīng)在心血管、腫瘤、神內(nèi)、五官等領(lǐng)域建立了多個(gè)精準(zhǔn)深度學(xué)習(xí)醫(yī)學(xué)輔助診斷模型，取得了良好的進(jìn)展。其中，依圖科技則在深度學(xué)習(xí)醫(yī)療領(lǐng)域取得了不錯(cuò)的成績(jī)。

8.深度學(xué)習(xí)與美顏相機(jī)。

對(duì)于美顏相機(jī)，大家一定都不陌生。在美顏相機(jī)中會(huì)有哪些地方涉及到深度學(xué)習(xí)的算法呢？其中最重要的就是人臉的關(guān)鍵點(diǎn)定位。只有找到關(guān)鍵點(diǎn)，才能有效的進(jìn)行一些眼睛的修飾等操作，同樣，相比于其他方法，基于深度學(xué)習(xí)的方法能夠?qū)崿F(xiàn)更優(yōu)的性能。

9.深度學(xué)習(xí)在 Fashion 領(lǐng)域的探索。

目前，阿里巴巴攜手香港理工舉辦了 FashionAI 的比賽，旨在探索如果通過機(jī)器學(xué)習(xí)的方法來(lái)完成關(guān)于流行趨勢(shì)的分析和預(yù)測(cè)。而深度學(xué)習(xí)無(wú)疑會(huì)成為眾多方法中的寵兒。其中涉及到了服裝關(guān)鍵點(diǎn)檢測(cè)和定位，服裝分類等等問題。

10.深度學(xué)習(xí)芯片。

對(duì)于大多是計(jì)算機(jī)視覺從業(yè)者而言，往往會(huì)更多的側(cè)重于深度學(xué)習(xí)算法而忽略了深度學(xué)習(xí)芯片。大家也都知道，深度學(xué)習(xí)算法的火爆，必然依托于深度學(xué)習(xí)芯片的發(fā)展。尤其最近的中興事件暴露出的國(guó)產(chǎn)芯片的一系列問題，也使得越來(lái)越多的人開始關(guān)注芯片行業(yè)。而一項(xiàng)深度學(xué)習(xí)工程，其實(shí)可以分為訓(xùn)練和推斷兩個(gè)環(huán)節(jié)，對(duì)于訓(xùn)練環(huán)節(jié)大多采用 GPU 來(lái)完成，而實(shí)際在使用的時(shí)候，考慮到功耗等問題，推斷芯片的研發(fā)也變得尤為重要，除了 CPU 和 GPU 以外，FPGA、ASIC 等同樣發(fā)揮著重要的作用。對(duì)于智能社會(huì)而言，深度學(xué)習(xí)芯片將會(huì)起到重要的基石作用。

當(dāng)然，除上述領(lǐng)域外，深度學(xué)習(xí)在其他的很多領(lǐng)域都有著重要的應(yīng)用，比如：車牌識(shí)別、圖像質(zhì)量恢復(fù)、自動(dòng)圖像描述等等。總之，深度學(xué)習(xí)技術(shù)對(duì)于眾多的計(jì)算機(jī)視覺任務(wù)而言，已經(jīng)逐步占據(jù)了統(tǒng)治地位，作為一個(gè)計(jì)算機(jī)視覺從業(yè)者，它也成為了大家的基本技能。至于原因，大家可以看一下《為什么深度學(xué)習(xí)幾乎成了計(jì)算機(jī)視覺研究的標(biāo)配？》這篇文章，這里不再贅述。

第03課：深度學(xué)習(xí)在語(yǔ)音技術(shù)領(lǐng)域的應(yīng)用

第04課：深度學(xué)習(xí)在自然語(yǔ)言處理行業(yè)中的應(yīng)用

第05課：如何入行深度學(xué)習(xí)

第06課：怎樣選擇一個(gè)合適自己的深度學(xué)習(xí)研究方向？

第07課：針對(duì)自己的研究方向，如何展開調(diào)研、學(xué)習(xí)和實(shí)驗(yàn)？

第08課：動(dòng)手實(shí)戰(zhàn)之基于 Caffe 的深度學(xué)習(xí)環(huán)境了解和搭建

第09課：動(dòng)手實(shí)戰(zhàn)之基于 Caffe 的分類識(shí)別任務(wù)

第10課：動(dòng)手實(shí)戰(zhàn)之基于 TensorFlow 的深度學(xué)習(xí)環(huán)境了解和搭建

第11課：動(dòng)手實(shí)戰(zhàn)之基于 TensorFlow 的分類識(shí)別任務(wù)

閱讀全文: http://gitbook.cn/gitchat/column/5afb8f050fe11d2f8ffc79a8

總結(jié)

以上是生活随笔為你收集整理的深度学习新手入门课的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。