六招教你用Python構建好玩的深度學習應用

授權轉載自THU數據派

--

【限時免費報名：2017在線技術峰會 】

主題：阿里開源項目最佳實踐

講師：8位阿里資深技術大V

時間：2017年03月01日14:00～17:00

報名方式見文末

--

導讀

深度學習是近來數據科學中研究和討論最多的話題。得益於深度學習的發展，數據科學在近期得到了重大突破，深度學習也因此得到了很多關注。據預測，在不久的將來，更多的深度學習應用程式會影響人們的生活。實際上，我認為這種影響已經開始了。

如果你站在圈外的角度，深度學習可能看起來讓人望而生畏。 像TensorFlow，Keras，基於GPU的計算等專業術語可能會嚇到你。 但是，悄悄告訴你 – 深度學習並不難！ 緊追前沿的深度學習技術的確需要花費時間和精力，但應用它們解決日常生活中的問題還是很容易的。

有趣的是，在我應用深度學習技術的過程中，我重拾了孩童時期的樂趣和好奇心。在這篇文章裡，我將介紹6個這樣的應用。它們開始的時候看起來很難實現，但是如果利用深度學習，問題就可以在一個小時內迎刃而解。本文展示了一些具有突破性價值的成果，並向你介紹它們是如何運作的。

目錄

1.使用現有API的應用程式

2.開源應用程式

3.其他有價值的資源

API不過是一種運行在遠端PC的程序。可以在本地通過網際網路遠程連接。例如，即使你的電腦裡已經內置了揚聲器，你仍可以再插入一個藍牙。這樣，利用筆記本電腦就可以遠程訪問揚聲器。

API 的概念類似於有人已經幫你實現了較難的那部分工作。你可以用它來快速解決手上的問題。

我將列出一些使用API構建應用程式的優缺點。

 

1.1.1深度學習API的優點

 

1.1.2深度學習API的缺點

構建API的成本很大。開發和維護一個API需要投入時間和資源，這多少有點沉悶乏味。

容易受到網際網路連接的限制。任何時刻的連接失敗都會導致整個系統的中斷。

如果任何人可以輕鬆連接你的應用，它將暴露安全問題。你必須設置額外的安全層，例如設置用戶名和密碼，並限制在一段時間內可以訪問的次數。

 

讓我們開始吧！

1.2使用深度學習（Algorithmia API）為照片著色

自動著色一直是計算機視覺社區中的熱門話題。從一張黑白圖片獲得一張彩色照片似乎是件超現實的事。想像一個4歲的孩子拿著蠟筆全神貫注於塗鴉本的場景，我們是否能教會人工智慧同樣去做這件事情呢？

這是當然一個難題。人類在觀察事物顏色的過程中得到了經年累月的訓練，我們自己可能不會注意到，但是我們的大腦在捕捉生活的每一刻，並從中提取有意義的信息，如天空是藍的、草是綠的。這很難在人工智慧體中建模。

近期的一項研究表明，如果我們基於大量準備好的數據集，對神經網絡進行足夠的訓練，就能夠從灰度圖像中幻化出顏色的模型。下面是一個圖像著色器的示例： 

為了實現這一點，我們使用由Algorithmia開發的API。

 

規格要求：

步驟1：在Algorithmia上註冊並獲取您自己的API密鑰。 你可以在個人資料中找到API密鑰。

pip install algorithmia

步驟2：輸入pip語句安裝Algorithmia。

步驟3：選擇要著色的照片，並將其上傳到algorithmia提供的Data文件夾中。

 

步驟4：在本地創建一個文件，命名為trial1.py。 打開它，並寫如下代碼。注意需要輸入你的圖像在data文件夾中的路徑，還有你的API密鑰.

import Algorithmia

 input = {

"image": "data:// … " # Set location of your own image

}

 client = Algorithmia.client(『…』) #insert your own API key

 algo = client.algo('deeplearning/ColorfulImageColorization/1.1.5')

 print algo.pipe(input)

步驟5：打開命令提示符並輸入「python trial1.py」運行剛才的代碼。 輸出的結果將自動保存在數據文件夾中。這是我得到的：

就是這樣 - 你剛剛創建了一個簡單的應用程式，它就像個孩子，可以填充圖像中的顏色！容我自high一下：一顆賽艇！

 

1.3構建聊天機器人（Watson API）

Watson是一個展現人工智慧的傑出例子。你可能聽說過Watson在一個問答遊戲中戰勝人類的故事。 Watson集合了許多技術，深度學習是其學習過程的核心部分，特別是在自然語言處理方面。在此，我們將使用Wastson眾多應用中的一個來構建對話服務。也就是聊天機器人。聊天機器人是一個能像人一樣回答常見問題的智能體。它可以很好地與客戶交流並作出及時回復。

 

這裡有一個演示平臺：

要求和規格：

Python（2或3）

網絡連接（用於調用API端點）

激活的Bluemix帳戶（試用期為30天）

 

讓我們來看看如何用Watson一步步構建簡單的聊天機器人。

 

步驟1：在Bluemix上註冊並激活保護服務以獲取憑據

步驟2：打開terminal界面，運行命令如下：

 

pip install requests responses

pip install --upgrade watson-developer-cloud

步驟3：創建一個文件trial.py並複製以下代碼。記住加入個人憑據。

 

import json

from watson_developer_cloud import ConversationV1

 

conversation = ConversationV1(

username='YOUR SERVICE USERNAME',

password='YOUR SERVICE PASSWORD',

version='2016-09-20')

 

# replace with your own workspace_id

workspace_id = 'YOUR WORKSPACE ID'

 

response = conversation.message(workspace_id=workspace_id, message_input={

'text': 'What\'s the weather like?'})

print(json.dumps(response, indent=2))

步驟4：保存文件並在控制臺中輸入「python trial.py」運行程序。你可以在控制臺中得到Watson對輸入信息的輸出響應。

輸入：顯示附近的內容。

輸出：我明白你想要我找到一個便利設施。我可以在附近找到餐廳，加油站和洗手間。

如果你想構建一個包含動態汽車儀錶盤（如上面gif所示）的完整對話服務項目。查看這個github存儲庫。

幾分鐘就能實現聊天機器人和著色應用，不錯~

 

1.4基於情緒分析的新聞聚合器（Aylien API）

有時我們只想看到世界上的美好事物。如果讀報紙的時候，只看到「好」消息，過濾掉所有壞消息，這將是多麼酷的一件事。

使用先進的自然語言處理技術（其中之一是深度學習）使得一切成為可能。你現在可以根據情緒分析文本對新聞進行過濾，並將其呈現給讀者。

採用Aylien的新聞API可以實現這一功能。下面是演示的截圖。你可以構建自定義查詢，並檢查結果。

讓我們看看在python中的實現。

要求和規格：

Python（2或3）

網絡連接（用於訪問API端點）

 

步驟1：在Aylien網站上註冊一個帳戶。

步驟2：登錄時從個人資料中獲取API_key和App_ID。

步驟3：進入terminal界面輸入下面的語句，安裝Aylien新聞API。

pip install aylien_news_api

 

步驟4：創建一個文件「trial.py」並複製以下代碼。

import aylien_news_api

from aylien_news_api.rest import ApiException

 

# Configure API key authorization: app_id

aylien_news_api.configuration.api_key['X-AYLIEN-NewsAPI-Application-ID'] = ' 3f3660e6'

# Configure API key authorization: app_key

aylien_news_api.configuration.api_key['X-AYLIEN-NewsAPI-Application-Key'] = ' ecd21528850dc3e75a47f53960c839b0'

 

# create an instance of the API class

api_instance = aylien_news_api.DefaultApi()

 

opts = {

  'title': 'trump',

  'sort_by': 'social_shares_count.facebook',

  'language': ['en'],

  'published_at_start': 'NOW-7DAYS',

  'published_at_end': 'NOW',

  'entities_body_links_dbpedia': [

    'http://dbpedia.org/resource/Donald_Trump',

    'http://dbpedia.org/resource/Hillary_Rodham_Clinton'

  ]

}

 

try:

    # List stories

    api_response = api_instance.list_stories(**opts)

    print(api_response)

except ApiException as e:

    print("Exception when calling DefaultApi->list_stories: %s\n" % e)

 

步驟5：保存文件並通過鍵入「python trial.py」開啟運行。輸出將是如下所示的jason dump：

{'clusters': [],

'next_page_cursor': 'AoJbuB0uU3RvcnkgMzQwNzE5NTc=',

'stories': [{'author': {'avatar_url': None, 'id': 56374, 'name': ''},

'body': 'President Donald Trump agreed to meet alliance leaders in Europe in May in a phone call on Sunday with NATO Secretary General Jens Stoltenberg that also touched on the separatist conflict in eastern Ukraine, the White House said.',

'categories': [{'confident': True,

'id': 'IAB20-13',

'level': 2,

'links': {'_self': 'https://api.aylien.com/api/v1/classify/taxonomy/iab-qag/IAB20-13',

'parent': 'https://api.aylien.com/api/v1/classify/taxonomy/iab-qag/IAB20'},

'score': 0.3734071532595844,

'taxonomy': 'iab-qag'},

{'confident': False,

'id': 'IAB11-3',

'level': 2,

'links': {'_self': 'https://api.aylien.com/api/v1/classify/taxonomy/iab-qag/IAB11-3',

'parent': 'https://api.aylien.com/api/v1/classify/taxonomy/iab-qag/IAB11'},

'score': 0.2898707860282879,

'taxonomy': 'iab-qag'},

{'confident': False,

'id': 'IAB10-5',

'level': 2,

'links': {'_self': 'https://api.aylien.com/api/v1/classify/taxonomy/iab-qag/IAB10-5',

'parent': 'https://api.aylien.com/api/v1/classify/taxonomy/iab-qag/IAB10'},

'score': 0.24747867463774773,

'taxonomy': 'iab-qag'},

{'confident': False,

'id': 'IAB25-5',

'level': 2,

'links': {'_self': 'https://api.aylien.com/api/v1/classify/taxonomy/iab-qag/IAB25-5',

'parent': 'https://api.aylien.com/api/v1/classify/taxonomy/iab-qag/IAB25'},

'score': 0.22760056625597547,

'taxonomy': 'iab-qag'},

{'confident': False,

'id': 'IAB20',

'level': 1,

'links': {'_self': 'https://api.aylien.com/api/v1/classify/taxonomy/iab-qag/IAB20',

'parent': None},

'score': 0.07238470020202414,

'taxonomy': 'iab-qag'},

{'confident': False,

'id': 'IAB10',

'level': 1,

'links': {'_self': 'https://api.aylien.com/api/v1/classify/taxonomy/iab-qag/IAB10',

'parent': None},

'score': 0.06574918306158796,

'taxonomy': 'iab-qag'},

{'confident': False,

'id': 'IAB25',

...

 

哇！我可以做一個根據興趣篩選新聞的對話應用程式了！我相信，現在你對深度學習感到很興奮！

現階段，對研究社區起最大幫助的是開源思維。研究人員分享他們取得的成果，深度學習也因此得到了跨越式發展。這裡我涉及了一些開源成果，它們都是從從研究論文中轉變過來的。

 

2.1.1開源應用的優點

 

 

2.1.2開源應用程式的缺點

 

注意：對於開源應用程式，我建議你瀏覽一遍官方的存儲庫。因為很多項目仍處於初級階段，可能會因為未知的原因而中斷。

讓我們來看一些開源應用程式！

 

2.2利用深度學習進行語句校正

現在的系統可以輕鬆檢測和糾正拼寫錯誤，但糾正語法錯誤有點困難。為了提升這一能力，我們可以使用深度學習。這個存儲庫是特意為此設置的。

我整理一下……

這裡我們使用一個語料庫來訓練序列預測神經網絡，該語料庫包含一系列語法錯誤的句子以及它的更正結果。

訓練模型為語句的矯正提供了正確答案。下面是一個例子：

 

輸入：『Kvothe went to market』

輸出：『Kvothe went to the market』

你可以在網站上查看演示：http://atpaino.com/dtc.html

 

該模型仍然無法校正所有的句子，但隨著更多的訓練數據和高效的深度學習算法，結果會越來越好。

 

要求：

Python（2或3）

GPU（可選用於更快的訓練）

 

步驟1：從官網上安裝tensorflow。另外，從GitHub下載存儲庫，並從https://github.com/atpaino/deep-text-corrector保存到本地。

 

步驟2：下載數據集（Cornell Movie-Dialogs Corpus），並將其解壓到工作目錄中

 

 

步驟3：通過運行命令創建訓練數據

 

python preprocessors/preprocess_movie_dialogs.py --raw_data movie_lines.txt \

               --out_file preprocessed_movie_lines.txt

並創建訓練，驗證和測試文件，並將其保存在當前工作目錄中

 

步驟4：現在訓練深度學習模型：

 

python correct_text.py --train_path /movie_dialog_train.txt \

               --val_path /movie_dialog_val.txt \

               --config DefaultMovieDialogConfig \

               --data_reader_type MovieDialogReader \

               --model_path /movie_dialog_model

 

步驟5：該模型需要一些時間來訓練。訓練完成後，可以通過以下方式進行測試：

 

python correct_text.py --test_path /movie_dialog_test.txt \

               --config DefaultMovieDialogConfig \

               --data_reader_type MovieDialogReader \

               --model_path /movie_dialog_model \

               --decode

 

2.3利用深度學習進行男女肖像轉換

在談到該應用程式之前，請觀察以下結果：

這裡第二張圖片是第一張圖片通過深度學習得到的！這個有趣的應用程式表明深度學習無所不能！該應用程式的核心在於GAN（生成對抗網絡），這種類型的深度學習能夠本中生成新樣本。

 

要求：

Python（3.5+）

Tensorflow（r0.12 +）

GPU（可選用於更快捷的訓練）

操作之前給你提個醒，如果不使用GPU，模型訓練需要花很長的時間。即使使用高端GPU（Nvidia GeForce GTX 1080），一個圖像的訓練也需2小時。

 

步驟1：下載存儲庫並在本地解壓縮https://github.com/david-gpu/deep-makeover

 

步驟2：從CelebA數據集下載「Align&Cropped Images」。創建數據集文件夾，並命名為「dataset」，並把所有圖片解壓到其中。

 

步驟3：通過以下方式訓練模型：

 

python3 dm_main.py --run train

然後通過傳遞想要轉換的圖像進行測試

 

python3 dm_main.py --run inference image.jpg

 

2.4搭建深度強化學習機器人來玩Flappy Bird這款遊戲

你可能玩過Flappy Bird這款遊戲。對於不知道這個遊戲的人來說，這款Android遊戲很讓人上癮。在遊戲裡，玩家需要避開障礙，讓小鳥一直在空中飛翔。

在這個應用中，這個飛鳥機器人就是利用強化學習技術創造的。這下面是一個訓練好的機器人演示。

要求：

Python（2或3）

Tensorflow（0.7+）

Pygame

Opencv-python

實現這個應用很容易，因為多數的基本要素都已經包含其中 

 

步驟1：下載官方存儲庫。

 

步驟2：確保已安裝所有依賴項。一旦準備完成，運行如下命令。

 

python deep_q_network.py

 

本文只是涉及了深度學習模型強大能力的皮毛。每天都有大量論文發表，帶來大批像這樣的應用。關鍵是誰能最先提出想法

 

我還列了一些其他值得一看的資源。

9 Cool Deep Learning Applications | Two Minute Papers

10 More Cool Deep Learning Applications | Two Minute Papers

10 Even Cooler Deep Learning Applications | Two Minute Papers

 

結語：

希望你在閱讀這篇文章的過程中找到樂趣。這些應用程式絕對會讓你感到震撼。有的人可能已經了解這些應用，有的人還沒有。如果你參與過這些應用程式的開發，請分享你的經驗。我們會拭目以待。

如果你第一次接觸這些應用程式，你對哪些部分最好奇呢？歡迎在下方評論處分享你的建議或反饋。

授權轉自THU數據派

微信ID：datapi

--

點擊圖片閱讀文章

根本停不下來！給它一個輪廓，TensorFlow還你一隻完整的喵 (附論文下載)