博客

进入2018年，越来越多人开始习惯于让家里的亚马逊Alexa、谷歌助手之类的智能音响完成列购物清单、开灯、关灯之类的工作。相比于几年前已经进入普通人家、且如今看来已不再新鲜的扫地机器人来说，这些新兴的智能设备将加速促进生产生活和社会管理方式向智能化、精细化、网络化方向转变。

虽然我们越来越习惯于跟机器交谈，让其为我们完成一些琐碎的工作，但备受期待的物联网所带来的改变远不止于此，而是更加深远，是在一个充满智慧城市、互联程度越来越高的世界中机器与机器之间的互相联通。

<font size="3"><strong>集成学习（ensemble learning）</strong></font>

集成学习通过构建多个个体学习器，然后再用某种策略将他们结合起来，产生一个有较好效果的强学习器来完成任务。基本原理如下图所示。这里主要有三个关键点：个体学习器的同质异质、个体学习器的生成方式、结合策略。

<font size="3"><strong>背景</strong></font>

计算机视觉是利用摄像机和电脑代替人眼，使得计算机拥有类似于人类的对目标进行检测、识别、理解、跟踪、判别决策的功能。以美团业务为例，在商家上单、团单展示、消费评价等多个环节都会涉及计算机视觉的应用，包括文字识别、图片分类、目标检测和图像质量评价等方向。本文将通过以OCR（光学字符识别）的场景来介绍深度学习在计算机视觉中的应用。

<font size="3"><strong>基于深度学习的OCR</strong></font>

在经历成千上万个小时机器学习训练时间后，计算机并不是唯一学到很多东西的角色，作为开发者和训练者的我们也犯了很多错误，修复了许多错误，从而积累了很多经验。在本文中，作者基于自己的经验（主要基于 TensorFlow）提出了一些训练神经网络的建议，还结合了案例，可以说是过来人的实践技巧了。

作者| Matt H/Daniel R
译者| 婉清
编辑| Jane
出品| AI 科技大本营

<font size="3" color="blue"><strong>通用技巧</strong></font>

<font size="3"><strong> 1. 前言</strong></font>

传统的CNN网络只能给出图像的LABLE，但是在很多情况下需要对识别的物体进行分割实现end to end，然后FCN出现了，给物体分割提供了一个非常重要的解决思路，其核心就是卷积与反卷积，所以这里就详细解释卷积与反卷积。

Multi-Instance Learning (MIL) 和Multi-Pose Learning (MPL)是CV的大牛Boris Babenko at UC San Diego提出来的，其思想可以用下面一幅图概况。MIL是指一个对象的学习实例可能有很多种情况，学习的时候不是用一个精确的标注对象来学习，而是用一个对象的多个实例组成的“包”来学习；而MPL是指一个对象会有多个姿态（Pose），学习的时候用一个分类器常常难以达到很好的效果，所以可以训练多个分类器来分别学习不同的Pose。

<font size="3"><strong>1、图像语义分割的概念</strong></font>

<font color="#02c3b0"><strong>1.1图像语义分割的概念与原理</strong></font>

图像语义分割可以说是图像理解的基石性技术，在自动驾驶系统（具体为街景识别与理解）、无人机应用（着陆点判断）以及穿戴式设备应用中举足轻重。我们都知道，图像是由许多像素（Pixel）组成，而「语义分割」顾名思义就是将像素按照图像中表达语义含义的不同进行分组（Grouping）／分割（Segmentation）。

集成学习体现了“More is always better”(多多益善）的思想，它是是目前机器学习的一大热门方向，所谓集成学习简单理解就是指采用多个分类器对数据集进行预测，从而提高整体分类器的泛化能力。

<center><img src="http://imgtec.eetrend.com/sites/imgtec.eetrend.com/files/201809/blog/17…; alt="深入机器学习之集成学习"></center>

<strong>网络正则化</strong>

机器学习的核心问题是如何使学习算法不仅在训练样本上表现良好，而且在新数据上或测试集上同时奏效，学习算法在新数据上的这样一种表现我们称之为模型的泛化能力。如果一个学习算法在训练集表现优异，同时在测试集依然工作良好，可以说该学习算法有较强的泛化能力。若某算法在训练集表现优异，但是测试集却非常糟糕，我们说这样的学习并没有泛化能力，这种现象也叫做过拟合（overfitting）。

如何避免过拟合？我们可以使用正则化的技术来防止过拟合的情况。正则化是机器学习中通过显示的控制模型复杂度来避免模型过拟合，确保泛化能力的一种有效方式。

现在全球各地的4G网络信号都已经相继普及，而5G网络的研发推广也正在世界如火如荼的开展起来，有人预计，5G网络的正式商业化应用应该会在2019年，也就是明年正式实现，届时美国，亚洲，欧洲和英国都将在2019年到2020年间正式迈入5G时代。

5G的出现在网络速度，容量和信号延迟性方面的性能都有很大的提升，在物联网，AI人工智能和VR虚拟现实技术方面，都能够极大的改变我们工作和娱乐的方式，也正是因为如此，包括高通，华为，三星和诺基亚，世界各大科技巨头都对其抱有非常大的发展期望，然而在北欧，斯堪的纳维亚半岛的芬兰北极圈附近，一些研发团队却已经着手开始了一项超越5G网络技术的研究。

人工智能正越来越多的渗透入人们的生活，改变人们的生活，从自然语言生成到语音识别、从医疗诊断到商业决策，AI逐渐开始显露出巨大的优势，并且它的脚步不会停止。

<font size="3" color="blue"><strong>1. 自然语言生成（NLG）</strong></font>

自然语言生成是人工智能的一个子学科，它可以将海量的数据转换成人类可读的文本，通过这样的方式实现与人类的交流。目前主要的应用是为客户提供报告生成和市场摘要等服务。通过对数据的分析、挖掘理解，从数据中抽取出有效的信息并总结成文本输出。优秀的AI还能实现自动排版和美化，做到可读性与优良的可视化效果。

据科学美国人杂志报道，在不久的将来，人工智能（AI）将大大加快创新药物和材料的发现。先进的诊断工具将使越来越个性化的医学成为可能。增强现实（AR）将无处不在，将信息和动画叠加在真实世界的图像上，帮助我们处理日常任务，并帮助行业更有效地运作。

如果你生病了，医生可以在身体里植入活细胞，让你的身体变成“药物工厂”，治疗你的疾病。你会吃到用干细胞培育的人造牛肉、鸡肉和鱼类，大大减少畜牧业对环境的影响。

这些改变世界的想法以及构成今年“十大新兴技术”的其他创意，都是由生物、无机化学、机器人和AI等领域的顶尖专家选出的。被选中的技术必须能在未来三五年内为社会和经济提供重大帮助，必须具有潜在颠覆性，能够改变行业或既定的行事方式。但它们必须处于相对早期的开发阶段，还没有被广泛使用。

<font size="3"><strong>1. 随机森林回顾</strong></font>

随机森林由N棵决策树组成，每一棵决策树都具有不同的初始训练样本，在训练过程中，还需要一个属性候选集，训练样本子集根据候选集合中的属性，依据分裂依据进行进一步分类，这一步俗称“分裂”，直至满足人为设定的收敛条件。

我个人认为，分裂的想法十分重要，它使得决策树成功记忆住如何从头开始，一步一步将样本正确分类。于是在测试的过程中，测试样本完全是按照这种记忆力将自己的类别确定下来。

自然语言处理（NLP）是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。随着深度学习在图像识别、语音识别领域的大放异彩，人们对深度学习在NLP的价值也寄予厚望。自然语言处理作为人工智能领域的认知智能，成为目前大家关注的焦点。

<font size="3"><strong>基本概念</strong></font>

<font size="3"><strong>1. 简单介绍</strong></font>

在机器学习和认知科学领域，人工神经网络（artificial neural network，缩写ANN），简称神经网络（neural network，缩写NN）或类神经网络，是一种模仿生物神经网络(动物的中枢神经系统，特别是大脑)的结构和功能的数学模型或计算模型，用于对函数进行估计或近似。神经网络由大量的人工神经元联结进行计算。大多数情况下人工神经网络能在外界信息的基础上改变内部结构，是一种自适应系统。现代神经网络是一种非线性统计性数据建模工具。典型的神经网络具有以下三个部分：

RGB --&gt; YUV 转换的公式是现成的，直接在 CPU 端转换的话，只需要遍历每个像素，得到新的 YUV 值，根据其内存分布规律，合理安排分布即可。然而在 CPU 端进行转换，存在的问题运行效率太低，无法满足高效转换的需求。我们将目光投向拥有流水线体系的支持高速浮点数计算的硬件——GPU.

自从人工智能(AI)这个术语在1955年由美国达特茅斯学院的人工智能大师John McCarthy创造以来，已经得到了长足的进步。63年之后，人工智能正在改变和颠覆医疗保健、金融科技以及其他行业的业务发展。虽然对真正人性化人工智能仍在继续探索当中，但大数据和机器学习(ML)的进步将帮助人工智能成为技术主流。

本文将介绍2018年的顶级人工智能和机器学习的发展趋势：

<font size="3"><strong>1. 医疗健康 </strong></font>

咨询机构埃森哲公司表示，到2021年，美国人工智能医疗保健市场规模预计将达到66亿美元，其复合年增长率(CAGR)为40%。

追根溯源，神经网络诞生于人类对于人脑和智能的追问。而这个追问经历了旷远蒙昧的精神至上学说，直到 19 世纪 20 年代。

<center><img src="http://imgtec.eetrend.com/sites/imgtec.eetrend.com/files/201809/blog/17…; alt=“” width="300"></center>

强化学习十大原则

在过去十年中，人们对机器学习的兴趣激增。几乎每天，我们都可以在各种各样的计算机科学课程、行业会议、华尔街日报等等看到有关机器学习的讨论。在所有关于机器学习的讨论中，许多人把机器学习能做的事情和他们希望机器学习做的事情混为一谈。从根本上讲，机器学习是使用算法从原始数据中提取信息，并在某种类型的模型中表示这些信息。我们使用这个模型来推断还没有建模的其他数据。

神经网络是机器学习的一种模型，它们至少有50年历史了。神经网络的基本单元是节点（node），基本上是受哺乳动物大脑中的生物神经元启发。神经元之间的连接也以生物的大脑为模型，这些连接随着时间的推移而发展的方式是为“训练”。