怎么使用Python快速构建深度学习应用?

  • A+
所属分类:AI

深度学习是近来数据科学中研究和讨论最多的话题。得益于深度学习的发展,数据科学在近期得到了重大突破,深度学习也因此得到了很多关注。据预测,在不久的将来,更多的深度学习应用程序会影响人们的生活。实际上,我认为这种影响已经开始了。

如果你站在圈外的角度,深度学习可能看起来让人望而生畏。 像TensorFlow,Keras,基于GPU的计算等专业术语可能会吓到你。 但是,悄悄告诉你 – 深度学习并不难! 紧追前沿的深度学习技术的确需要花费时间和精力,但应用它们解决日常生活中的问题还是很容易的。

有趣的是,在我应用深度学习技术的过程中,我重拾了孩童时期的乐趣和好奇心。在这篇文章里,我将介绍6个这样的应用。它们开始的时候看起来很难实现,但是如果利用深度学习,问题就可以在一个小时内迎刃而解。本文展示了一些具有突破性价值的成果,并向你介绍它们是如何运作的。

目录

1.使用现有API的应用程序

  • 深度学习API的优缺点
  • 利用深度学习为照片着色(使用Algorithmia 开发的API)
  • 使用Watson API构建聊天机器人
  • 基于情感分析的新闻聚合器(使用Aylien 开发的API)

2.开源应用程序

  • 开源代码的优缺点
  • 利用深度学习进行语句校正
  • 利用深度学习进行男女肖像转换
  • 开发深度强化学习机器人来玩Flappy Bird这款游戏

3.其他有价值的资源

1.使用现有API的应用程序API不过是一种运行在远端PC的程序。可以在本地通过互联网远程连接。例如,即使你的电脑里已经内置了扬声器,你仍可以再插入一个蓝牙。这样,利用笔记本电脑就可以远程访问扬声器。API 的概念类似于有人已经帮你实现了较难的那部分工作。你可以用它来快速解决手上的问题。

我将列出一些使用API构建应用程序的优缺点。

 

1.1.1深度学习API的优点

  • 深度学习应用程序通常对GPU计算能力和数据存储/处理性能有较高要求。因此,你可以创建自己的工作站(或使用任意云服务),并在本地使用任意系统来访问工作站并运行应用程序。
  • 本地系统不受计算负担影响。
  • 轻松集成新功能。

 

1.1.2深度学习API的缺点

  • 构建API的成本很大。开发和维护一个API需要投入时间和资源,这多少有点沉闷乏味。
  • 容易受到互联网连接的限制。任何时刻的连接失败都会导致整个系统的中断。
  • 如果任何人可以轻松连接你的应用,它将暴露安全问题。你必须设置额外的安全层,例如设置用户名和密码,并限制在一段时间内可以访问的次数。

 

让我们开始吧!

1.2使用深度学习(Algorithmia API)为照片着色自动着色一直是计算机视觉社区中的热门话题。从一张黑白图片获得一张彩色照片似乎是件超现实的事。想象一个4岁的孩子拿着蜡笔全神贯注于涂鸦本的场景,我们是否能教会人工智能同样去做这件事情呢?这是当然一个难题。人类在观察事物颜色的过程中得到了经年累月的训练,我们自己可能不会注意到,但是我们的大脑在捕捉生活的每一刻,并从中提取有意义的信息,如天空是蓝的、草是绿的。这很难在人工智能体中建模。

近期的一项研究表明,如果我们基于大量准备好的数据集,对神经网络进行足够的训练,就能够从灰度图像中幻化出颜色的模型。

为了实现这一点,我们使用由Algorithmia开发的API。

 

规格要求:

  • Python(2或3)
  • 网络连接(用于调用API端点)
  • 12个积分(积分需要支付获得,不过注册Algorithmia可免费获赠5000积分)

步骤1:在Algorithmia上注册并获取您自己的API密钥。 你可以在个人资料中找到API密钥。

pip install algorithmia

步骤2:输入pip语句安装Algorithmia。

 

步骤3:选择要着色的照片,并将其上传到algorithmia提供的Data文件夹中。 

步骤4:在本地创建一个文件,命名为trial1.py。 打开它,并写如下代码。注意需要输入你的图像在data文件夹中的路径,还有你的API密钥.

import Algorithmia
 input = {
"image": "data:// … " # Set location of your own image
}
 client = Algorithmia.client(‘…’) #insert your own API key
 algo = client.algo('deeplearning/ColorfulImageColorization/1.1.5')
 print algo.pipe(input)
步骤5:打开命令提示符并输入“python trial1.py”运行刚才的代码。 输出的结果将自动保存在数据文件夹中。就是这样 - 你刚刚创建了一个简单的应用程序,它就像个孩子,可以填充图像中的颜色!

1.3构建聊天机器人(Watson API)

Watson是一个展现人工智能的杰出例子。你可能听说过Watson在一个问答游戏中战胜人类的故事。 Watson集合了许多技术,深度学习是其学习过程的核心部分,特别是在自然语言处理方面。在此,我们将使用Wastson众多应用中的一个来构建对话服务。也就是聊天机器人。聊天机器人是一个能像人一样回答常见问题的智能体。它可以很好地与客户交流并作出及时回复。

要求和规格:

  • Python(2或3)
  • 网络连接(用于调用API端点)
  • 激活的Bluemix帐户(试用期为30天)

让我们来看看如何用Watson一步步构建简单的聊天机器人。

步骤1:在Bluemix上注册并激活保护服务以获取凭据

步骤2:打开terminal界面,运行命令如下:

pip install requests responses
pip install --upgrade watson-developer-cloud

步骤3:创建一个文件trial.py并复制以下代码。记住加入个人凭据。

 

import json
from watson_developer_cloud import ConversationV1

conversation = ConversationV1(
username='YOUR SERVICE USERNAME',
password='YOUR SERVICE PASSWORD',
version='2016-09-20')

# replace with your own workspace_id
workspace_id = 'YOUR WORKSPACE ID'

response = conversation.message(workspace_id=workspace_id, message_input={
'text': 'What\'s the weather like?'})
print(json.dumps(response, indent=2))

步骤4:保存文件并在控制台中输入“python trial.py”运行程序。你可以在控制台中得到Watson对输入信息的输出响应。

输入:显示附近的内容。

输出:我明白你想要我找到一个便利设施。我可以在附近找到餐厅,加油站和洗手间。

如果你想构建一个包含动态汽车仪表盘(如上面gif所示)的完整对话服务项目。查看这个github存储库。

几分钟就能实现聊天机器人和着色应用,不错~

 

1.4基于情绪分析的新闻聚合器(Aylien API)

有时我们只想看到世界上的美好事物。如果读报纸的时候,只看到“好”消息,过滤掉所有坏消息,这将是多么酷的一件事。

使用先进的自然语言处理技术(其中之一是深度学习)使得一切成为可能。你现在可以根据情绪分析文本对新闻进行过滤,并将其呈现给读者。

采用Aylien的新闻API可以实现这一功能。下面是演示的截图。你可以构建自定义查询,并检查结果。

让我们看看在python中的实现。

要求和规格:

  • Python(2或3)
  • 网络连接(用于访问API端点)

步骤1:在Aylien网站上注册一个帐户。

步骤2:登录时从个人资料中获取API_key和App_ID。

步骤3:进入terminal界面输入下面的语句,安装Aylien新闻API。

pip install aylien_news_api

步骤4:创建一个文件“trial.py”并复制以下代码。

import aylien_news_api
from aylien_news_api.rest import ApiException

# Configure API key authorization: app_id
aylien_news_api.configuration.api_key['X-AYLIEN-NewsAPI-Application-ID'] = ' 3f3660e6'
# Configure API key authorization: app_key
aylien_news_api.configuration.api_key['X-AYLIEN-NewsAPI-Application-Key'] = ' ecd21528850dc3e75a47f53960c839b0'

# create an instance of the API class
api_instance = aylien_news_api.DefaultApi()

opts = {
  'title': 'trump',
  'sort_by': 'social_shares_count.facebook',
  'language': ['en'],
  'published_at_start': 'NOW-7DAYS',
  'published_at_end': 'NOW',
  'entities_body_links_dbpedia': [
    'http://dbpedia.org/resource/Donald_Trump',
    'http://dbpedia.org/resource/Hillary_Rodham_Clinton'
  ]
}

try:
    # List stories
    api_response = api_instance.list_stories(**opts)
    print(api_response)
except ApiException as e:
    print("Exception when calling DefaultApi->list_stories: %s\n" % e)

步骤5:保存文件并通过键入“python trial.py”开启运行。输出将是如下所示的jason dump:

{'clusters': [],
'next_page_cursor': 'AoJbuB0uU3RvcnkgMzQwNzE5NTc=',
'stories': [{'author': {'avatar_url': None, 'id': 56374, 'name': ''},
'body': 'President Donald Trump agreed to meet alliance leaders in Europe in May in a phone call on Sunday with NATO Secretary General Jens Stoltenberg that also touched on the separatist conflict in eastern Ukraine, the White House said.',
'categories': [{'confident': True,
'id': 'IAB20-13',
'level': 2,
'links': {'_self': 'https://api.aylien.com/api/v1/classify/taxonomy/iab-qag/IAB20-13',
'parent': 'https://api.aylien.com/api/v1/classify/taxonomy/iab-qag/IAB20'},
'score': 0.3734071532595844,
'taxonomy': 'iab-qag'},
{'confident': False,
'id': 'IAB11-3',
'level': 2,
'links': {'_self': 'https://api.aylien.com/api/v1/classify/taxonomy/iab-qag/IAB11-3',
'parent': 'https://api.aylien.com/api/v1/classify/taxonomy/iab-qag/IAB11'},
'score': 0.2898707860282879,
'taxonomy': 'iab-qag'},
{'confident': False,
'id': 'IAB10-5',
'level': 2,
'links': {'_self': 'https://api.aylien.com/api/v1/classify/taxonomy/iab-qag/IAB10-5',
'parent': 'https://api.aylien.com/api/v1/classify/taxonomy/iab-qag/IAB10'},
'score': 0.24747867463774773,
'taxonomy': 'iab-qag'},
{'confident': False,
'id': 'IAB25-5',
'level': 2,
'links': {'_self': 'https://api.aylien.com/api/v1/classify/taxonomy/iab-qag/IAB25-5',
'parent': 'https://api.aylien.com/api/v1/classify/taxonomy/iab-qag/IAB25'},
'score': 0.22760056625597547,
'taxonomy': 'iab-qag'},
{'confident': False,
'id': 'IAB20',
'level': 1,
'links': {'_self': 'https://api.aylien.com/api/v1/classify/taxonomy/iab-qag/IAB20',
'parent': None},
'score': 0.07238470020202414,
'taxonomy': 'iab-qag'},
{'confident': False,
'id': 'IAB10',
'level': 1,
'links': {'_self': 'https://api.aylien.com/api/v1/classify/taxonomy/iab-qag/IAB10',
'parent': None},
'score': 0.06574918306158796,
'taxonomy': 'iab-qag'},
{'confident': False,
'id': 'IAB25',
...

哇!我可以做一个根据兴趣筛选新闻的对话应用程序了!我相信,现在你对深度学习感到很兴奋!

2.开源应用程序

现阶段,对研究社区起最大帮助的是开源思维。研究人员分享他们取得的成果,深度学习也因此得到了跨越式发展。这里我涉及了一些开源成果,它们都是从从研究论文中转变过来的。

 

2.1.1开源应用的优点

  • 由于应用程序是开源的,你可以查看应用程序的任何细节,并且如果需要,还可以轻松自定义。

 

  • 来自不同组织、拥有不同经验的开发人员会在应用程序中协作。这使得应用程序比原始版本更好。此外,因为很多人都可以使用,所以这个应用程序可以不断地进行测试,更方便地被使用。

 

2.1.2开源应用程序的缺点

  • 因为没有组织从背后支持,开源项目中往往缺少“责任意识”,如果发生问题也不知道该责问谁。

 

  • 还有明显的许可问题,许多公司都不愿将他们的项目“公开”。

注意:对于开源应用程序,我建议你浏览一遍官方的存储库。因为很多项目仍处于初级阶段,可能会因为未知的原因而中断。

让我们来看一些开源应用程序!

 

2.2利用深度学习进行语句校正

现在的系统可以轻松检测和纠正拼写错误,但纠正语法错误有点困难。为了提升这一能力,我们可以使用深度学习。这个存储库是特意为此设置的。

我整理一下……

这里我们使用一个语料库来训练序列预测神经网络,该语料库包含一系列语法错误的句子以及它的更正结果。

训练模型为语句的矫正提供了正确答案。下面是一个例子:

 

输入:‘Kvothe went to market’

输出:‘Kvothe went to the market’

你可以在网站上查看演示:http://atpaino.com/dtc.html

 

该模型仍然无法校正所有的句子,但随着更多的训练数据和高效的深度学习算法,结果会越来越好。

 

要求:

  • Python(2或3)
  • GPU(可选用于更快的训练)

 

步骤1:从官网上安装tensorflow。另外,从GitHub下载存储库,并从https://github.com/atpaino/deep-text-corrector保存到本地。

 

步骤2:下载数据集(Cornell Movie-Dialogs Corpus),并将其解压到工作目录中

 

 

步骤3:通过运行命令创建训练数据

python preprocessors/preprocess_movie_dialogs.py --raw_data movie_lines.txt \
               --out_file preprocessed_movie_lines.txt

并创建训练,验证和测试文件,并将其保存在当前工作目录中

 

步骤4:现在训练深度学习模型:

python correct_text.py --train_path /movie_dialog_train.txt \
               --val_path /movie_dialog_val.txt \
               --config DefaultMovieDialogConfig \
               --data_reader_type MovieDialogReader \
               --model_path /movie_dialog_model

步骤5:该模型需要一些时间来训练。训练完成后,可以通过以下方式进行测试:

python correct_text.py --test_path /movie_dialog_test.txt \
               --config DefaultMovieDialogConfig \
               --data_reader_type MovieDialogReader \
               --model_path /movie_dialog_model \
               --decode


发表评论

:?: :razz: :sad: :evil: :!: :smile: :oops: :grin: :eek: :shock: :???: :cool: :lol: :mad: :twisted: :roll: :wink: :idea: :arrow: :neutral: :cry: :mrgreen: