【图像分类（下）】从管家变闺蜜 ？ 引入Deep Learning后更加贴心的图像分类

从管家到闺蜜，更加“了解”，也更加“亲密”。解密~图像分类引入Deeplearning之后的技术解析贴！（深度好文哦~）...

从管家变闺蜜 ？

引入Deep Learning后更加贴心的图像分类

上一期内容小FAN给大家介绍了传统模式中图像分类的技术解析，大家可能都比较容易理解~

就像说起Gentlemen，大家脑中已经有了鲜明的印象；

而今天我们要说的Deep Learning ，更像是“90后”这个称呼。不同的人对它都有着不同的看法。但，唯一可以确定的是它不像Gentlemen一样，它是不定的，也是充满可能性的，它是一直在学习着的。小FAN说

今天给大家带来的是图像分类在引入

Deep Learning之后的技术故事~Deep

Learning

在人类科技发展的历程中，

对于仿生学的研究总是会给人意外的启发，

在研究生物视觉信息处理时，

也不禁得感叹大自然的鬼斧神工。

Deep learning的发展

是因为两个虐猫的神经学家

（放在今天应该会被动物保护协会纠缠把~）

分层1981年的诺贝尔医学奖，颁发给了David Hubel

（出生于加拿大的美国神经生物学家）

两位的主要贡献，是“发现了视觉系统的信息处理：可视皮层是分层的。”这个生理学的发现，促成了计算机人工智能，在四十年后的突破性发展。

这里注意关键词：分层。而Deep learning的deep是不是就表示我存在多少层，也就是多深呢？没错。那Deep learning是如何借鉴这个过程的呢？毕竟是归于计算机来处理，面对的一个问题就是怎么对这个过程建模？





Deep Learning是机器学习中一个非常接近AI的领域，

其动机在于建立、模拟人脑进行分析学习的神经网络。它的思想就是堆叠多个层，以这一层的输出作为下一层的输入，通过这种方式，实现对输入信息进行分级表达。模型细节：除了输入输出层以外，还包含7个隐含层，共含有650k个神经元，60M个层间映射参数，630M条神经；采用ReLU来代替传统的tanh引入非线性映射；对训练数据进行左右对称以及平移等变换，扩大训练集；采用SGD算法在两个GPU上并行有监督训练。

随后人们通过优化Hinton的Deep CNN模型进一步提高计算机的图像分类能力，

例如微软曾生成了一种新的修正线性单元（ReLU），

并将其称为参数化修正线性单元（PReLU）。

该激活函数不仅可自适应获取修正参数，还可提高计算精度，

且所需额外计算成本几乎可以忽略不计。

其次，他们研究了深度修正模型的训练难度。

通过对修正线性单元（即ReLU/PReLU）的非线性特征进行直接建模，推导出一种符合理论的初始化方法，并直接从头开始训练网络，将其应用于深度模型（例如，具有30个带权层的模型）的收敛过程。

这为探索功能更强大的网络体系结构提供了更多的灵活性。

这些改进不仅减小了分类的错误率，还将Deep CNN系统加速了多达100倍。

2015年微软采用150层的神经网络，将错误率减小到了超越人类的3.57%。

伴随着云计算走入日常生活，Deep Learning在图像分类上带来的革命性成果正逐步改变我们的生活。但是由云计算引起的隐私安全问题也是我们无法回避的……

笔者觉得在目前未有新技术引进的情况下，将传统分类方法与Deep Learning结合使用，可以解决伴随云计算的隐私安全问题。不仅是管家，

更是闺蜜。

Classification技术（图像分类），不仅可以将你手机中的照片进行分类存储，避免私密照片被朋友看到的尴尬。还可以识别你的身份证、银行卡等重要照片，并对其加密避免隐私信息暴露。它擅长分类，也会更加了解你~

文章到了最后，有些读者一定会有这样的疑问：“既然Deep learning超越传统算法那么多，为什么不都使用Deep learning呢？为什么传统算法还没有被淘汰？”

PS：不感兴趣的读者可以直接跳过哦~■传统分类方法虽然准确率低于Deep Learning算法，但是由于它的模型简单，对运算环境要求低啊。而超复杂的Deep Learning 算法，需要的运算环境不是家庭使用的设备可以满足的。

例如，2015年微软取得的亮眼成绩至少是72个超级处理器和144个图形处理器协作的结果。

另外～

母亲节快到了，别忘了跟妈妈

说声节日快乐！

    关注 技术饭