独家 | 3步将深度学习应用到你的商业中

深度学习是大家谈论的热门话题，利用深度学习不仅解决了很多现实难题，还让很多新的创新成为可能。强有力的盈利商业模式正是以给人们解决问题、为客户带来价值为基础的。

深度学习在很多任务上表现的很好，例如，语音识别、图像分类、聊天机器人，等等。但是，我们该怎样使用这种技术？如何把它应用在自己的商业中呢？下面我会指导你如何做到，并用流程图直观表达这个过程。

第一步：获取数据

深度学习融入商业的第一步是获取极其重要的数据。深度学习发挥作用，能够很好解决有价值的问题，主要归功于数据。最好的深度学习模型是基于监督学习，也就是说，这些模型达到很好的性能需要大量标记数据。简而言之，我们需要给深度学习“机器”很多“燃料”，它才能很好的工作，这种“燃料”就是数据。

告诉你一个好消息，大多数情况下数据都是现成的。有很多公开可用的标记数据集，这些数据集被收集起来用于训练深度学习模型，再应用到普通的应用程序。有很多关于图像分类、语言翻译、聊天机器人、自动驾驶的数据，可以用在应用程序上。

这是深度学习数据集的快速学习资源：

http://bit.do/Deep-Learning-Datasets（资料很全，值得收藏）

假如你遇到不常见的情形，有个特定的应用，很具体，但是没有公开的大数据集，该怎么办呢？我们可以制作自己的数据集，数据收集不再像以前那么具有挑战性。在这种情况下，网络爬虫工具可以发挥绝佳作用。Adrian Rosebrock有一个很好的教程，关于如何自动爬取Google图片并建立自己的数据集。

http://bit.do/Scrape-Your-Dataset. （教程地址）

可以用群智工具标记大量数据，例如，亚马逊的Mechanical Turk，它的目标是获取足够的数据，建立一个极简可用的产品 (MVP)。

你肯定好奇，到底需要多少数据。这儿有一个不错的方法可以做出估计：找一个相似的任务，看看别人处理问题用了多少数据。除此之外，通常情况下数据越多越好，只要你不是得到负反馈。

第二步：开发深度学习产品

有了标记数据，可以全力开发产品。使用之前的数据训练深度学习模型，并用该模型完成特定任务，最终给客户带来价值。深度学习最擅长处理那些重复的任务，这些任务呈现出多种多样的模式。因此需要关注在必要知识和执行方面重复率都很高的自动化任务，通常情况下这些任务还需要大量人类努力或特定技能。这样，你把提供给客户的价值最大化，如果客户不使用你的深度学习产品，那就不能享受到这些价值。

第三步：客户驱动的正反馈循环

在这个阶段，通过几个关键步骤把深度学习应用在商业中。你已经收集了数据并用它来训练一个深度学习模型，然后用这个模型助力产品，产品性能表现很好并给客户带来价值。现在是最重要的部分，正反馈循环。

开始把产品交付客户使用，有的客户喜欢用，也有的不喜欢，但这都是一个学习过程。非常重要的是，一个新的客户也就是一个新的数据来源，它可以进一步提高深度学习模型的准确率，进而优化产品。所以，关键是有效率的获取新数据。

第一次开发一个极简可用的产品（MVP）时,你可能会为你的定制产品使用公开的数据集或自己爬取数据集，不管是哪种情况，你的数据都足够训练一个好的模型并开发出MVP。但如果想优化产品，数据可能是不够的。比如，你使用了公开的数据集，这些数据可能不包含特殊场景。你可能在家里安装了人脸识别系统，系统识别出人脸时才会把门打开。如果你使用的数据集只有清晰的人脸图片，那系统可能会在雨天或者晚上失效，顾客也就会被锁在门外。另一种情况是你自己爬取数据集，你的目标是获得足够数据，开发出一款极简可用产品（MVP）。这两种情况都表明：更多的数据有可能优化你的模型。也有研究证明，更多的数据有助于改进深度学习模型：

https://arxiv.org/abs/1707.02968v2（论文地址）

既然你的产品掌握在付费客户手中，那么他们就是你获取新数据的最佳资源。客户会定期使用产品，这样就可以获得更多的数据。还记得那个在雨中人脸识别失败的例子吗？为什么不把这些失败的数据加入训练集，帮助训练提高深度学习模型的精度！可以收集那些在雨中和夜晚失败的数据，并标记它们，用这些新数据优化模型。每当系统出错，就有得到新数据的机会，标记这些新数据，重新训练模型，可以实现从错误中学习。当然。也可以在成功的数据中运用这些方法，收集数据并使模型在那些情况下的表现更加稳定。

整个流程创造了正反馈循环，顾客就是驱动循环的人。数据越多，产品越好。产品越好，客户越多，客户创造更多有价值的数据助力深度学习产品。

结束语

现在了解了整个流程，可以开发一个产品，既能实现自我防御，还能由连续循环的数据和深度学习驱动，给客户带来巨大的价值。

原文地址：https://towardsdatascience.com/heres-how-to-leverage-deep-learning-in-your-startup-9204666a3272

申利彬，研究生在读，主要研究方向大数据机器学习。目前在学习深度学习在NLP上的应用，希望在THU数据派平台与爱好大数据的朋友一起学习进步。

翻译组招募信息

工作内容：需要一颗细致的心，将选取好的外文文章翻译成流畅的中文。如果你是数据科学/统计学/计算机类的留学生，或在海外从事相关工作，或对自己外语水平有信心的朋友欢迎加入翻译小组。

你能得到：定期的翻译培训提高志愿者的翻译水平，提高对于数据科学前沿的认知，海外的朋友可以和国内技术应用发展保持联系，THU数据派产学研的背景为志愿者带来好的发展机遇。

其他福利：来自于名企的数据科学工作者，北大清华以及海外等名校学生他们都将成为你在翻译小组的伙伴。

点击文末“阅读原文”加入数据派团队~

转载须知

如需转载，请在开篇显著位置注明作者和出处（转自：数据派ID：datapi），并在文章结尾放置数据派醒目二维码。有原创标识文章，请发送【文章名称-待授权公众号名称及ID】至联系邮箱，申请白名单授权并按要求编辑。

发布后请将链接反馈至联系邮箱（见下方）。未经许可的转载以及改编者，我们将依法追究其法律责任。