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
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！
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。
1 | pip install algorithmia |
步骤2：输入pip语句安装Algorithmia。
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.
1 2 3 4 5 6 7 | 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) |
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：
1 2 | 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。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 | 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。
1 | pip install aylien_news_api |
步骤4：创建一个文件“trial.py”并复制以下代码。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 | 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：
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 | {'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
1 2 | 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：
1 2 3 4 5 | 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：
1 2 3 4 5 | python correct_text.py --test_path /movie_dialog_test.txt \ --config DefaultMovieDialogConfig \ --data_reader_type MovieDialogReader \ --model_path /movie_dialog_model \ --decode |
评论0