《白话深度学习与TensorFlow》——1.4　综合应用

本节书摘来自华章计算机《白话深度学习与TensorFlow》一书中的第1章，第1.4节，作者：高扬，卫峥著， 更多章节内容可以访问云栖社区“华章计算机”公众号查看。
1.4 综合应用

到现在为止，我们看到的绝大多数的机器学习的应用环境都非常单纯——向量清洗到位，边界划定清晰。例如，垃圾邮件的分拣，能够通过邮件内容的输入来判断邮件是否为垃圾邮件；新闻的自动分类，能够通过新闻内容的分类来判断新闻的类别或描述内容的属性；摄像头对车牌号的OCR电子识别手、写识别，这些应用可以通过输入一个图像来得到其中蕴含的文字信息向量，诸如此类，这些都是早些年应用比较成熟的领域，在这种应用场景中机器通过学习能够取代一些纯粹的体力劳动。

在近几年，随着计算机能力的提升，尤其是GPU并行计算的普及化，使得很多原来高密度计算场景的门槛变得越来越低，人们在商用领域已经开始寻找用深度学习的网络来做一些原来不可想象的事情。

例如这种使用卷积神经网络对照片进行风格处理，拿一张普通照片作为输入，再拿一张有着较强艺术风格的绘画作品作为训练样本，然后通过卷积网络进行处理，最后由计算机“创作”出一幅内容基于照片但是风格基于绘画作品的新作出来。而这种事情在几年前是难以想象的，因为这看上去太“智能”了，太有“创造力”了。
还有类似这种，我们输入一张照片，然后让计算机根据这张照片的风格和内容，凭空创造一张很像但不一样的照片出来。注意哦，这个跟Photoshop的功能可是完全不同的，它是全自动的。在这些图中，右侧的图都是源图，左侧的图都是计算机生成的图，有水波纹、云朵、花丛，还有随意的艺术涂鸦。怎么样，有不少真的是可以以假乱真了吧。这都是使用深度神经网络处理的结果。

那么除此之外，像语音识别以及视频中存在物体的检出，这些内容也是属于近几年研究比较热门并逐渐趋于成熟的应用领域。实际上，在实现层面有很多种实现方式可以完成像这样的应用。而在学术领域，也有一类新兴的基于深度学习神经网络的研究领域，叫做“对抗学习”，它可以实现类似的方式。在深度学习领域会使用生成对抗网络（Generative Adversarial Network），这种网络的特点就是可以进行复杂内容的生成，而非生成一个标签这么简单。
此外，谷歌、百度也在近年启动了无人驾驶汽车的商业研究，这种自动驾驶也同样是一种典型的机器学习应用场景。只不过它的输入信息不再那么单纯，它有一个激光雷达，可以扫描半径60米内的环境，并把雷达回波传输给主控电脑；除此之外还有前置摄像头用来识别正前方视野内的交通信号灯、车辆、人物等对象；还有前后雷达，前置3个，后置1个，用来判断与前后物体的距离，主要是为了判断车距使用。当然还少不了GPS和电子地图信息的配合。

对于这种无人驾驶汽车的调教不再是编写复杂的程序，而是定义多个复杂的深度神经网络，然后呢？就是让驾驶员开着汽车上街去各种转。把输入的各种大量的激光雷达信号、摄像头信号、前后雷达信号灯这些输入信息和驾驶员实际作用在汽车上的大量的油门、刹车、方向控制这些操作做关联，反复进行训练，让电脑学会在不同的情况下使用不同的操作手法来操作汽车。这样一个训练过程在学术上属于强化学习（reinforcement learning）以及其周边领域的范畴，在人工智能方面，这种学习方法是业界普遍认可的。只不过各方对自动驾驶这件事情是褒贬不一，因为毕竟它在商用环境中出现过事故。
据报道，2016年6月30日，美国特斯拉汽车公司证实，一辆该公司生产的S型电动轿车在自动驾驶模式下发生撞车事故，导致司机身亡。美国负责监管公路交通安全的机构正在对事故车辆的自动驾驶系统展开调查。这是美国首例涉及汽车自动驾驶功能的交通死亡事故。
事故于2016年5月7日发生在美国佛罗里达州，导致涉事S型电动轿车车主、一名40岁美国男子身亡。特斯拉在官方博客中说，公司在事发后立即向美国国家高速公路交通安全管理局作了报告。
美国国家高速公路交通安全管理局在一份声明中说，这起事故表明“需要对事故发生时启用的辅助（自动）驾驶功能的设计和性能进行检查”。目前该机构已对这起事故展开初步调查，如发现涉事车辆存在安全隐患将下令召回。
特斯拉解释说，涉事S型电动轿车当时正使用自动驾驶功能行驶在有分割线的高速公路上，与前方一辆处于横穿公路位置的拖挂货车呈垂直关系。在逆光背景下，S型电动轿车的自动驾驶系统和司机都没注意到拖挂卡车的白色侧面，因此，S型电动轿车没有启用制动。由于拖挂货车车身高大，且处于横穿公路的位置，使得“造成这场车祸的情形组合极为罕见”，以致S型电动轿车挡风玻璃撞击拖挂货车底部，整车从拖挂货车下穿过。
其实不能不说，这也暴露出人工智能或深度学习中的一些软肋，那就是电脑“天生弱智”的特性，它是不具备足够好的应变能力的。美国著名智库兰德公司2016年4月在一份研究报告中指出，自动驾驶汽车测试的总里程还很少，缺乏足够多的数据来对比这类汽车与传统汽车的安全性和可靠性。迄今为止，测试时间最长的是谷歌自动驾驶汽车，从2009～ 2015年，55辆谷歌自动驾驶汽车的道路测试总里程仅约130万英里（约合209万千米），其间共发生了11起小事故。
有研究人员认为，自动驾驶汽车需要测试数亿至数千亿公里，才能验证它们在减少交通事故方面的可靠性，而现有的自动驾驶汽车至少要几十年甚至几百年才能达到这么多测试里程。如果要在自动驾驶汽车上市前证明其安全性，这不可能做到。

金玉良缘易配而木石前盟难得|M1 Mac os(Apple Silicon)天生一对Python3开发环境搭建(集成深度学习框架Tensorflow/Pytorch) 笔者投入M1的怀抱已经有一段时间了，俗话说得好，但闻新人笑，不见旧人哭，Intel mac早已被束之高阁，而M1 mac已经不能用真香来形容了，简直就是“香透满堂金玉彩，扇遮半面桃花开！”，轻抚M1 mac那滑若柔荑的秒控键盘，别说996了，就是007，我们也能安之若素，也可以笑慰平生。好了，日常吹M1的环节结束，正所谓剑虽利,不厉不断，材虽美，不学不高。本次我们尝试在M1 Mac os 中搭建Python3的开发环境。
《白话深度学习与TensorFlow》——导读 另一方面，深度学习从其解决问题的根本理论方面需要比较深厚和扎实的数学基础，尤其是高等数学、线性代数、泛函分析及其延伸学科的基础，这就使得很多高等数学相关基础不好的朋友学习起来非常吃力。
《白话深度学习与TensorFlow》——3.6 小结 本节书摘来自华章计算机《白话深度学习与TensorFlow》一书中的第3章，第3.6节，作者：高扬，卫峥著， 更多章节内容可以访问云栖社区“华章计算机”公众号查看。
《白话深度学习与TensorFlow》——3.5 安装TensorFlow 本节书摘来自华章计算机《白话深度学习与TensorFlow》一书中的第3章，第3.5节，作者：高扬，卫峥著， 更多章节内容可以访问云栖社区“华章计算机”公众号查看。
《白话深度学习与TensorFlow》——3.4 如何选择好的框架 本节书摘来自华章计算机《白话深度学习与TensorFlow》一书中的第3章，第3.4节，作者：高扬，卫峥著， 更多章节内容可以访问云栖社区“华章计算机”公众号查看。
《白话深度学习与TensorFlow》——3.3 其他特点 本节书摘来自华章计算机《白话深度学习与TensorFlow》一书中的第3章，第3.3节，作者：高扬，卫峥著， 更多章节内容可以访问云栖社区“华章计算机”公众号查看。
《白话深度学习与TensorFlow》——3.2 与其他框架的对比 本节书摘来自华章计算机《白话深度学习与TensorFlow》一书中的第3章，第3.2节，作者：高扬，卫峥著， 更多章节内容可以访问云栖社区“华章计算机”公众号查看。
《白话深度学习与TensorFlow》——3.1 简介 本节书摘来自华章计算机《白话深度学习与TensorFlow》一书中的第3章，第3.1节，作者：高扬，卫峥著， 更多章节内容可以访问云栖社区“华章计算机”公众号查看。
《白话深度学习与TensorFlow》——第3章 3.0TensorFlow框架特性与安装 本节书摘来自华章计算机《白话深度学习与TensorFlow》一书中的第3章，第3.0节，作者：高扬，卫峥著， 更多章节内容可以访问云栖社区“华章计算机”公众号查看。