分类： 实战

CVPR2018精选#3: 端到端FCN学会在黑暗中看世界，全卷积网络处理低曝光、低亮度图片并进行还原，及其TensorFlow源码

与其说AI智能时代，不如说是“泛智能的自动化”时代，或者，以人类为智能核心的 “机器智能辅助”时代 — David 9

最近流传的一些AI“寒冬论”， David 9 觉得很可笑。二十年前深蓝击败卡斯帕罗夫时，自动化智能已经开始发展，只是现今更“智能”而已，而这个更智能、更普及的趋势不是任何人可以控制的。

人类无尽的贪婪和惰性需要外部智能辅助和填补，也许以后的核心不是“深度学习”或者增强学习，但终究会有更“好”的智能去做这些“脏”活“累”活，那些人类不想干或人类做不到的活。。。

CVPR2018上，伊利诺伊大学和Intel实验室的这篇“学会在黑暗中看世界” 就做了人类做不到的活， 自动把低曝光、低亮度图片进行亮度还原：

来自论文：Learning to See in the Dark

人肉眼完全开不到的曝光环境下，机器实际是可以还原出肉眼可识别的亮度。

该论文的第一个贡献是See-in-the-Dark (SID)数据集的整理：

来自论文：Learning to See in the Dark

因为目前的数据集没有针对低曝光同时低亮度的图片集，如上图，作者用索尼和富士相机收集低曝光的室内室外图片，同时配对正常曝光的图片用来训练： 继续阅读CVPR2018精选#3: 端到端FCN学会在黑暗中看世界，全卷积网络处理低曝光、低亮度图片并进行还原，及其TensorFlow源码

用Keras实现简单一维卷积 ，亲测可用一维卷积实例，及Kaggle竞赛代码解读

记得我们之前讲过1D卷积在自然语言处理中的应用：

一维卷积在语义理解中的应用，莫斯科物理技术学院（MIPT）开源聊天机器人DeepPavlov解析及代码

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     test.csv   

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）：

加入David9的星球群阅读所有文章:

继续阅读用Keras实现简单一维卷积 ，亲测可用一维卷积实例，及Kaggle竞赛代码解读

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

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：

Stephanie Kim在PyCon2018上的talk：https://www.youtube.com/watch?v=LEkyvEZoDZg&t=1464s

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