“小数据”激发我们从人类学习本质的角度思考问题. — David 9
如果要得到生成模型或分类模型, 我们可以用GAN或CNN等深度网络. 而对于”小数据“我们往往要换一种思路, 利用RNN的”记忆”能力在图片中反复”琢磨”图像的线条等特征:
通过反复寻求好的”关注点”, 我们用一张样本图片, 就能比较新图片与之差异, 以及和原图片是同一个文字的可能性. 这正是所谓的one shot learning, 即, 从一个样本学习到该样本的整个类. 没错 , “小数据”的泛化能力真是惊人 ! 甚至击败了KNN ，SIAMESE NETWORK等传统相似度比较方式。 继续阅读CVPR 2017之#RNN论文精选, 小数据学习: 基于关注点的循环比较器(Attentive Recurrent Comparators)
OpenFace是一款优秀的开源深度学习人脸识别库。如果你熟悉torch，python或者lua，这款丰富的人脸识别库更是一款不可多得的工具。
今天David 9 就带大家手把手训练一个人脸识别模型，测试一下你像哪个明星？
1. 下载openface的docker镜像，免去你配置openface的过程：
docker pull bamos/openface
2. 跑这个docker镜像，进入项目目录：
docker run -v /Users:/host/Users -p 9000:9000 -p 8000:8000 -t -i bamos/openface /bin/bash cd /root/openface
注意 -v /Users:/host/Users 这个参数是必要的。因为docker中的openface项目还没有训练数据集，把你本地的/Users目录挂载到docker镜像中的/host/Users目录，可以方便你复制一些用于训练的图片数据集。 继续阅读OpenFace手把手入门之 — 快速训练一个人脸识别模型，比一比你像哪个明星，亲测可用，python torch lua
An essential [of an inventor] is a logical mind that sees analogies. — Thomas Edison
很难想象如果所有创新工作交给AI去做, 人类存在的意义是什么?
今年KDD2017最佳论文(Accelerating Innovation Through Analogy Mining) 向这个方向迈进了一步. 作者试图从庞大的专利和文献库中, 挑选出可以激发发明者灵感的想法, 呈现给发明者(USPTO上就有900万多的专利).
如对于一个带电池的手机壳的初始idea:
通过”模仿和类别“挖掘, 模型可以搜索并提供下面idea的提示, 呈现给发明者:
上图是一个Flash充电时的卡扣装置, 和一个自带电源的USB插座, 都是对比模仿初始idea从庞大文献中找出的两个类似idea.
最后, 一个发明人看到以上这些启发和提示, 发明出了以下产品:
一个履带式的发电器, 戴在身上, 人体移动时, 就可以发电蓄电. 可见, 模型做出的前两个发明提示对发明者有一定的帮助. (模型给出了不完全相似但是很相关的启发) 继续阅读KDD 2017精选#1 用”模仿和类比”挖掘加速创新 , GRU循环神经网络新用法（Best paper award 最佳论文奖）
