深度学习

前两天，我一口气看完了电视剧《隐秘的角落》，剧情相当精彩。美中不足的是，剧组为了让片子过审， 导致11集，12集的剪辑顺序被打乱，甚至台词被修改，以至于片中有几个处演员口型与台词对不上，剧情也有点让人摸不到头脑。因此我尝试 通过人工智能技术还原了被修改的台词 ，从而还原了一部分原本的剧情，一个更加黑暗的真相。 因要过审而被修改的台词 被修改的台词主要集中在 12 集，朱朝阳、严良两人火海逃生后在天台上的对话： 严良：「告诉警察吧」 朱朝阳：「像我爸希望的那样 」 朱朝阳：「你想报警么」 这段对话其实被后期修改过了，口型和内容不吻合。至于「隐秘」剧组为什么要修改这段台词，我也是在还原了原对话之后才知道答案， 因为原对话实在过于黑暗了，坐实了朱朝阳的黑化，是不可能过审的。 那么原对话到底是什么？往下看，我用深度学习来告诉你答案。 用机器学习识别唇语，还原对话 >这部分主要演示用机器学习的手段识别唇语，唇语识别就是靠分析人说话时嘴唇与面部的特征来解读人说话的内容。这里我并不介绍唇语识别模型的基础架构（篇幅太长，后面有机会单独讲），而是通过以识别张朝阳唇语为例，演示一下唇语识别的一个简单流程。 这个案例中的模型我选使用基于 Tensorflow 的 Facemash 模型进行二次训练。Facemash 的主要作用是获取面部表情的特征。之后通过分析嘴唇的运动特征

　　 　　 作 者 | 陈大鑫、青暮 　　 编辑 | 丛 末 　　AI时代，大众是不是真的就没有隐私了呢？ 　　以联邦学习为代表的新兴AI技术，能否实现AI协作，提升模型精度的同时实现数据隐私的保护。那么中国如何抢占人工智能安全发展的制高点？下一个10年中人工智能又将何去何从？ 　　就上述话题，AI Time联合北京智源研究院，邀请了 张钹院士、高文院士、杨强教授、唐杰教授、刘知远副教授进行了第15期论道，共同探讨“AI精度与隐私的博弈”。 在具体讨论过程中，采用了唐杰、刘知远发问，张钹、高文、杨强回答的形式进行。 　　在论坛中，几位嘉宾提到，国外以“欧盟的 GDPR”为代表的相关法律法规以及国内的相关法律规定都取得了长足进展， 隐私计算技术也出现了三大主流门派：譬如说安全多方计算--少林派；安全可信计算环境方式--华山派；联邦计算--武当派 。 　　另外，几位嘉宾还就提升模型精度是否一定意味着牺牲隐私保护？如何让更多人参与到技术创新中来，是开源还是激励机制？下一代AI技术应该具备哪些特点？我们如何抢占制高点？人与AI如何更好地协作，创造更大的价值？等等这些问题进行了讨论。 　　以下是演讲全文，AI科技评论做了不改变愿意的整理，未经嘉宾确认。 　　 1 　　 隐私保护是否阻碍了人工智能的发展 　　 　　 唐杰： 提升模型精度是否一定要牺牲隐私保护

“无意中发现了一个巨牛的人工智能教程，忍不住分享一下给大家。教程不仅是零基础，通俗易懂，而且非常风趣幽默，像看小说一样！觉得太牛了，所以分享给大家。点 这里 可以跳转到教程。” 21世纪初的时候，曾流行一种说法： 不懂计算机、外语和驾驶技术的人将成为 21 世纪的文盲 。时光荏苒，现在会计算机、外语和驾驶技术的人越来越多了。但是，近几年又流行另外一种说法： 不懂人工智能的人将成为 21 世纪的新文盲 。由此可见，学习人工智能技术的重要性和紧迫性。那么，人工智能技术到底是什么呢？它的知识体系是什么样的呢？我们该如何学习人工智能技术呢？带着这种种的疑问，我学习了 极客时间 App上《 人工智能基础课 》专栏。本专栏作者 王天一 老师是工学博士，目前在贵州大学大数据与信息工程学院担任副教授，对大数据和人工智能技术有着深入的研究。 通过对本专栏的学习，我对人工智能技术有了全面的了解。在这篇文章中，我分享一下自己的学习总结，供各位想入门人工智能的朋友参考。 专栏主要内容 作者在开篇词中提到， 人工智能复杂，但并不神秘，普及人工智能的基础知识，是走出了解人工智能的第一步 。为什么说人工智能不神秘呢？因为它 建立在以线性代数和概率论为骨架的基础数学上，通过简单模型的组合实现复杂功能 。对于具备一定数学基础的人来说，只要掌握了正确的方法，就一定能够登堂入室，领略到人工智能之美。

from: 深度学习中IU、IoU(Intersection over Union)的概念理解以及python程序实现 IoU(Intersection over Union) Intersection over Union是一种测量在特定数据集中检测相应物体准确度的一个标准。我们可以在很多物体检测挑战中，例如PASCAL VOC challenge中看多很多使用该标准的做法。 通常我们在 HOG + Linear SVM object detectors 和 Convolutional Neural Network detectors (R-CNN, Faster R-CNN, YOLO, etc.)中使用该方法检测其性能。注意，这个测量方法和你在任务中使用的物体检测算法没有关系。 IoU是一个简单的测量标准，只要是在输出中得出一个预测范围(bounding boxex)的任务都可以用IoU来进行测量。为了可以使IoU用于测量任意大小形状的物体检测，我们需要： 1、 ground-truth bounding boxes（人为在训练集图像中标出要检测物体的大概范围）； 2、我们的算法得出的结果范围。 也就是说，这个标准用于测量真实和预测之间的相关度，相关度越高，该值越高。 如下图： 下图展示了ground-truth和predicted的结果，绿色标线是人为标记的正确结果

红色石头的个人网站： 红色石头的个人博客-机器学习、深度学习之路 ​ www.redstonewill.com 现在大家平时会遇到很多不错的机器学习资源，但是大多数情况下，资源比较分散，不方便集中管理和查阅。更重要的是往往很难找到一个系统完整的资源导航，形成系统的学习路线，方便搜索。 重磅！今天小编在网上“闲逛”的时候发现了一个超级棒的机器学习优质资源分类导航。至少节约大家 50% 的时间。 下面详细给大家介绍一下！ 首先，放上这个机器学习优质资源分类导航的网站： https://madewithml.com/topics/ ​ madewithml.com 该网站整理收集了机器学习最佳的资源，并持续更新中。如果你正在寻找当前的热门内容，请查看主页。如果你在没有看到想要的主题，你可以使用顶部的搜索栏来搜索它。 该网站总共收集了 10 大主题内容，分别是： 框架 算法 自然语言处理 机器视觉 综合 概念 数据、模型和训练 全栈 工业 收藏 下面，分别来看一下！ 1. 框架 这部分主要收集了一些编程用的框架，例如最常见的 Python、Numpy、TensorFlow 等。点开相应的框架，就会跳转到比较全面的关于该框架的资源。 例如 Python： 除了 Getting started，还有 Tutorials、Toolkits、Research、Recent 等，内容真的太丰富了。

大部分转载自博客园大神： http://www.cnblogs.com/einyboy/p/3594432.html ，并进行了部分更新修改~ 目录如下： 1. 特征提取Feature Extraction; 2. 图像分割Image Segmentation; 3. 目标检测Object Detection; 4. 显著性检测Saliency Detection; 5. 图像分类、聚类Image Classification, Clustering; 6. 抠图Image Matting; 7. 目标跟踪Object Tracking; 8. Kinect; 9. 3D相关; 10. 机器学习算法; 11. 目标、行为识别Object, Action Recognition; 12. 图像处理; 13. 一些实用工具; 14. 人手及指尖检测与识别; 15. 场景解释; 16. 光流Optical flow; 17. 图像检索Image Retrieval; 18. 马尔科夫随机场Markov Random Fields; 19. 运动检测Motion detection; 20. database. 一、特征提取Feature Extraction： SIFT [1] [ Demo program ][ SIFT Library ] [ VLFeat ] PCA-SIFT [2

ImageNet 是一个超过15 million的图像数据集，大约有22,000类。 是由李飞飞团队从2007年开始，耗费大量人力，通过各种方式（网络抓取，人工标注，亚马逊众包平台）收集制作而成，它作为论文在CVPR-2009发布。当时人们还很怀疑通过更多数据就能改进算法的看法。 深度学习发展起来有几个关键的因素，一个就是庞大的数据（比如说ImageNet），一个是GPU的出现。（还有更优的深度模型，更好的优化算法，可以说数据和GPU推动了这些的产生，这些产生继续推动深度学习的发展）。 ILSVRC 是一个比赛，全称是ImageNet Large-Scale Visual Recognition Challenge，平常说的ImageNet比赛指的是这个比赛。 使用的数据集是ImageNet数据集的一个子集，一般说的ImageNet（数据集）实际上指的是ImageNet的这个子集，总共有1000类，每类大约有1000张图像。具体地，有大约1.2 million的训练集，5万验证集，15万测试集。 ILSVRC 从2010年开始举办，到2017年是最后一届 （在算法层面已经刷过拟合了，再比下去意义不是很大了）。ILSVRC-2012的数据集被用在2012-2014年的挑战赛中（VGG论文中提到）。ILSVRC-2010是唯一提供了test set的一年。

最近师弟在做DQN的实验，由于是强化学习方面的东西，正好和我现在的研究方向一样于是我便帮忙跑了跑实验，于是就有了今天的这个内容。 首先在github上进行搜寻，如下图： 发现第一个星数最多，而且远高于其它的项目，于是拉取这个链接： https://github.com/devsisters/DQN-tensorflow 本篇博客主要是讲解一下该代码运行环境的如何搭建，采用 conda 配置。 首先看下 README 上的内容， 主要是requirement最重要： 考虑到运行的兼容性，于是决定使用python2.7版本环境运行，下面开始 conda 的配置： 搜寻python2.7版本，并采用最小自版本号 conda search python=2.7 选择 python2.7.3版本， 为环境命名 dqn_2 : conda create -n dqn_2 python=2.7.3 进入新建环境，并确认版本： conda activate dqn_2 安装 numpy scipy conda install numpy scipy 安装 tqdm (进度条模块) pip install tqdm==4.30 安装 gym (oepnai 的 游戏环境交互模块) 可选安装： pip install gym==0.1.0 必选安装： pip install gym[Atari]==0

云栖号在线课堂，及时了解行业动态！阿里云推出疫情专题方案，为企业业务护航，让你足不出户了解行业动态。 在这里可以走近阿里云基础产品，了解更多应用方案，还能遇见大咖分享洞见及故事！也可以通过视频的形式让你高效、生动的了解场景化的上云最佳实践。 本周重磅推荐 标题： 阿里云容器安全能力全面升级 简介： 企业正在加快向微服务与DevOps转型的脚步，容器技术与生态也在不断更新。容器环境中的安全挑战和防护建设也日益受到关注。阿里云将于近期发布更为完整的容器安全能力，基于ATT&CK攻防矩阵与容器安全一体化解决方案，整合云安全能力与原生容器服务，提供更为自动化的容器安全检测和响应能力，助力企业云上容器化进程。 观看直播 标题： 中小企业与商标那些事儿 简介： 企业品牌保护从商标开始，如何挑选一家靠谱的渠道注册商标，解读品牌权益维护的重要节点。 观看直播 标题： 阿里云CDN产品解读及全站加速在游戏行业的最佳实践 简介： 15:00:阿里云CDN产品家族价值解读；15:30:全站加速在游戏行业的最佳实践 观看直播 标题： 云数据仓库+BI — 持续定义SaaS模式云数据仓库MaxCompute 简介： 本次直播将介绍云数据仓库基本概念和特性，商业智能典型场景与趋势，并结合基于MaxCompute为云数据仓库，对接BI工具的优势和特点来阐述云数据仓库+BI如何更好的释放数据潜力。 观看直播

艺术家的天职是创造美，而程序员的天职是没有Bug？ 不，是用技术改变世界！ 艺术不同于一般重复性的工作，需要发挥人的创造性和审美能力，尽管人工智能技术已经得到充分的验证，但并未具备解答“什么是美的”的能力 那么，当程序员遇上艺术，会碰撞出什么样的火花呢？ 本周三晚 19:00 ，来自百度 飞桨 社区的两位开发者，将会在 B 站开启直播，揭晓如何用深度学习将计算机“调教”成媲美梵高、毕加索的“艺术家”，想感受 AI 在艺术创作领域带来的震撼吗？ 8 月 12 日晚上 19:00，B 站直播间，等你过来一探究竟。 分享主题： 《梵高风格图像生成》 《毕加索画风迁移实战》 扫码看直播 飞桨 开发者说Live · 每周三晚七点 每周三晚上， 飞桨 开发者说Live，和全球人工智能开发者一起丰富技能，扫描下方二维码加入直播交流群，除了可以直接和分享嘉宾交流，了解更多技术踩坑破解诀窍，更有精彩互动和礼品不容错过哟，勇敢的少年啊，快去创造奇迹！ （扫描二维码加入交流群，与分享嘉宾无缝交流） PPDE 百度 飞桨 开发者技术专家 本次的分享嘉宾，是来自百度 飞桨 社区的PPDE，在未来每周三的直播中，我们将会看到更多 PPDE 的身影，与大家分享自己在项目实践过程中的经验和思考。 什么是PPDE？ PPDE计划是 飞桨 开发者技术专家的荣誉认证体系 （ PaddlePaddle