记得我们之前讲过1D卷积在自然语言处理中的应用：
但是读者中对如何应用一维卷积呼声太高，David 9 有必要再用一篇幅来讲1D卷积实战。这次我们拿kaggle上叶子分类预测问题做例子，讲解1D卷积网络如何实现。
我的数据集来自：https://www.kaggle.com/alexanderlazarev/simple-keras-1d-cnn-features-split/data
如果懒得去原链接下载，可以直接戳下面链接：
train.csv 是训练集数据，test.csv 是验证数据集。 这个数据集是叶子leaf 品种的分类问题，有三个通道， 每个通道64个比特位，一个通道代表边界特征，一个通道代表形状特征，最后一个通道代表材质特征。（这些特征都是kaggle已经帮你提取了）。输出是叶子特征标签的预测。
下面废话少说，直接上代码及详细注释（亲测可用）：
一年一度的PyCon大会上周在俄亥俄Cleveland举行，youtube上早早放出了talk列表。虽然PyCon聚焦Python语言本身，但是关于数据科学和AI的talk也不在少数。
David 9感兴趣talk之一就是来自PyLadies的Stephanie Kim关于PyTorch介绍：
太多小伙伴问David 9 哪个深度学习框架好？用TensorFlow还是PyTorch好 ?
现在是时候结合这个talk给大家讲清楚了。
首先，框架各有自己的优势，关键是你项目需要和个人喜好：
如果你的项目和RNN强相关，并且希望写RNN模型的时候更轻松敏捷，或者，你是从事科学研究的人员，那么PyTorch更适合你； 如果你项目定位是一个稳定产品（TensorFlow Serving），或者你注重高效训练，并且想把模型移植到轻量级移动端（TensorFlow Lite）, 那么选择Tensorflow更合适。 继续阅读PyCon 2018数据科学talk盘点#1，入坑PyTorch前你需要知道的事，为什么要用PyTorch，以及PyTorch与TensorFlow的区别
拥有什么，决定了你只能迷恋什么 — David 9
很大程度上，目前的芯片工艺和技术，决定了人类只能迷恋神经网络这样的方案（高于传统机器学习一个计算级别）。就像进入铁器时代，人们才能方便地砍伐森林、挖掘矿山、开垦土地（如果在青铜时代就别想了）。
在铁器时代，对铁器的改进很受欢迎；正如今年CVPR上大神Kaiming He和Xiaolong Wang 的文章试图改进神经网络工具去“开垦”视频分析 这片土地。
我们知道视频和图片的区别无非是多了时间的维度（time，视频的帧）。最直觉的做法是先用cnn，再用擅长时间序列的rnn；或者，直接用3D卷积去做。而实际情况是直接用3D卷积效果不是最好，于是有人用两个cnn去做（一个cnn分析时间，一个cnn分析空间），或者另外用一个分析轨迹（trajectories）的模块去加强时空感。
而非局部(non-local) 模块把非局部感受野的信息提取操作做成一个神经网络模块，方便了端到端的视频分析：
这个模块输入x可以理解为32帧的视频（32张图片帧数 T=32，长宽为H×W），输出z也是H×W大小的特征图。有没有注意到最左端的箭头是一个跳层连接？没错，non-local模块就是把视频额外的时空信息提取作为一个残差操作，这样整个模块可以任意插入到一个残差网络resnet中： 继续阅读CVPR2018精选#2: 视频分析的非局部(non-local) 神经网络模块，CMU与Facebook AI研究室视频分类识别新贡献
