深度学习应用的系统方法
隐藏的潜力
深度学习研究和应用的兴趣前所未有地高涨。 几乎每天都可以在arXiv.org上找到无数的新研究论文。 这些论文为我们提供了人工神经网络可以应用于我们日常生活各个领域的新颖方式的描述。 深度学习的迷人之处在于，神经网络似乎具有普遍的能力，可以应用于以前使用量身定制的方法解决的各种问题。 此外，每天都有一篇文章或博客文章，向我们介绍应用深度学习的更多奇特方式。 这些文章，博客文章甚至书籍的问题在于它们没有提供对神经网络应用程序的系统处理。 至少到目前为止，我还没有看到这样做的完成，如果您知道这种尝试，请告诉我。
最先进的
在寻找这篇文章的材料时，我发现了许多总结了深度学习应用程序的文章。 这些引用相关链接的文章中有许多引号。
1.杰森·布朗利（Jason Brownlee）撰写的第一篇名为《深度学习的8励志应用》的文章来自Machine Learning Mastery博客。
这是清单：
- 黑白图像的着色。
- 为无声电影添加声音。
- 自动机器翻译。
- 照片中的对象分类。
- 自动手写生成。
- 字符文本生成。
- 图像标题生成。
- 自动游戏。
可以看出，这些应用可以通过感觉模态来简明地描述。人工智能研究最初应用于音频，视觉和空间模态。
2.这称为“ 深度学习用例” ，取材于一个专门用于Java的Deeplearning4j机器学习库的站点。
资料来源：Deeplearning4j网站
如在先前的示例中一样，可以将所有这些应用程序减少为仅三种模式类型，即音频，视觉和空间。 没有空间模态，但为了通用起见，我称其为“序列”。
3.接下来的一本是John Murphy所著的《 科学与工程中的深度学习应用程序》 。 本文介绍了深度学习与以前类似的应用程序，但还提供了更多奇特的应用程序，例如科学实验设计，高能物理和药物发现。
4.另外，我想提及《深度学习应用的下一波》一文，其中
充满了大多数奇特的应用程序，也许您以前从未听说过它们。 仅举几例，就是天气预报和事件检测，用于脑癌检测的神经网络应用程序。
5.最后一个问题是有关 Quora中的深度学习应用程序的问题，该问题有很多有用的答案。
所有这些资源都缺乏一种系统的方法，该方法不仅描述了深度学习的当前应用，而且还能够预测未来可能的应用。
组合矩阵
我建议使用组合矩阵，从中可以推导出所有当前的深度学习应用程序，并且它还具有暗示未来应用程序的优点。
该矩阵在其行和列中具有各种类型的感觉模态，其组织方式使得可以在其中找到这些模态的成对选项，例如语音–图像识别等。 当找到一对时，可以用深度学习的当前或将来可能的应用来解释。
在屏幕截图中很难看到（可以在Google表格中打开它），但是如果我们查看第4行的坐标，并且B列会从音频模态中找到“语音识别器到语音生成器”对，这可以解释为语言太语言翻译应用程序，例如Google翻译。 可以看出，该矩阵具有以下可能的对数= 12 *（12 – 1）=132。通常，对数= N *（N – 1）。
如果我们想考虑新颖的应用，则可以系统地遍历矩阵并寻找矩阵，或者选择一个随机对，例如第5行和第H列，即“ 图像生成器到自然语言生成器” 。 依次可能是基于生成的图像的故事生成应用程序，这并不是很有创造力，但很重要。
请注意，此矩阵是出于示例目的而组成的，并且可以其他方式进行组织，可能会为深度学习的可能应用生成其他组合。 此外，该矩阵可以是多维的，以考虑各种参数的元组。
形态矩阵
预测深度学习应用的另一种方法是使用由加利福尼亚理工学院的瑞士国家天体物理学家Fritz Zwicky开发的形态矩阵方法。 顺便说一下，该方法已成功用于预测中子星的存在。 关于什么是形态矩阵及其应用的很好解释可以在瑞典形态学会中找到。 为了我们的目的，足以知道该矩阵可以以这样的方式构成，即第一行具有各种感觉模态，例如音频，视觉，触摸等，而其余各行为这些模态提供了可能的选择。 屏幕截图将有助于阐明这一点。
现在我们有了形态学矩阵，可以将深度学习应用程序视为一组模式选项。 例如，如果将表格中的语音识别 ， 图像识别， 自然语言识别和生成选项作为表格，我们将获得以下新颖的深度学习应用程序的精髓，例如提交给arXiv 的《野性之唇读句》中描述的唇读。 .org，2016年11月16日。
请注意，可以通过其他方式组合该矩阵，以产生用于深度学习的不同可能应用程序集。
结论
如这篇文章中所示，可以通过组合和形态矩阵系统地，特别是系统地寻找深度学习应用，尤其是机器学习。
翻译自: https://www.javacodegeeks.com/2016/11/systematic-approach-applications-deep-learning.html