深度学习实战

自ChatGPT出现后，Yann LeCun就一直抨击GPT无法成为AGI的最终形态，其原因在于文本只是人类智能的一种载体，有许多东西是文本不能表示的，也无法从GPT的训练中理解

在许多视频对话软件中，都可以选择视频的背景。其原理就是将人像抠出来，把非人像部分替换。而大多数软件是切换图片背景，或者是动图背景。利用图像分割技术，可以实现更复杂的背景替换，最终结果就像电影

在AIGC领域频繁出现着一个特殊名词“LoRA”，听上去有点像人名，但是这是一种模型训练的方法。LoRA全称Low-Rank Adaptation of Large Language Model

长久以来，CNN一直是CV领域最受欢迎的网络，在NLP也有CNN的一席之地。限于CNN上下文的能力，RNN系列网络在长文本任务中要比CNN更受欢迎，但是RNN系列网络也一直存在性能问题。

图像分割是计算机视觉中非常重要且基本的任务，在需要应用中都需要使用到图像分割算法。包括自动驾驶、修图、电影特效等。现在有许多成熟的图像分割算法，对于一些简单图像可以使用传统图像处理方法完成分

在以前，AI被认为是与艺术无关，AI也无法创作艺术作品。而GAN家族、风格迁移、Diffusion模型的出现，让AI也能创作有艺术风格的图像。其中最简单的就是风格迁移。风格迁移是一种把图像A

自2012年起，人工智能快速发展，频繁出现在大众视野。从Alpha GO到ChatGPT，人工智能已成为不可阻挡的发展趋势。但是由于神经学习的黑盒性质，导致神经网络难以解释，且难以控制。即使

对图像不了解的人时常妄想去除马赛克是可以实现的，严格意义来说这确实是无法实现的。而深度学习是出现，让去除马赛克成为可能。 为了理解去除马赛克有多难，我们需要知道马赛克是什么。

图像识别方法有很多，包括传统的逻辑回归、Adaboost、卷积神经网络、Transformer等。现代图像识别算法的准确率已经超过人类的水平了，但是关于这些算法如何完成图像识别却仍是一个问题。

首先需要知道根据文本搜索图片具体是什么问题，这里可以有两个层面。第一个则是图片中包含的文本内容，这个可以用OCR识别提取出来。第二个则是深层次的对图片描述的文本，比如红色的狗、跑步的猪、骑猪的人。

在许多搜索引擎中，都内置了以图搜图的功能。以图搜图功能，可以极大简化搜索工作。今天要做的就是实现一个以图搜图引擎。

最近受邀参与了亚马逊云科技【云上探索实验室】活动，体验了一下Amazon SageMaker平台，训练了一个人脸的自编码器。对比本地的训练时间，速度提升比较明显。

AutoEncoder的目的是对输入进行编码，希望这个编码能够很好的还原原有数据。当AutoEncoder训练完成后，我们可以对任意的图像进行编码，这样就可以用一个低维的向量表示图片。

AutoEncoder（AE）中文叫自编码器，是一种介于监督学习和无监督学习之间的模型。其学习方式现在被称为自监督学习，类似于Bert模型，它的训练需要标签数据，但是这个标签数据是自己生成的

虽然人工智能技术已经能完成各种超出想象的事情，但是人工智能仍卸不掉人工智障的标签。即使强如ChatGPT也会犯一些非常弱智的错误。

从2017年起，RNN系列网络逐渐被一个叫Transformer的网络替代，发展到现在Transformer已经成为自然语言处理中主流的模型了，而且由Transformer引来了一股大语言模

文本情感分析是自然语言处理中非常基本的任务，我们生活中有很多都是属于这一任务。比如购物网站的好评、差评，垃圾邮件过滤、垃圾短信过滤等。