六招教你用Python构建好玩的深度学习应用

授权转载自THU数据派

-----------------

【限时免费报名：2017在线技术峰会 】

主题：阿里开源项目最佳实践

讲师：8位阿里资深技术大V

时间：2017年03月01日14:00～17:00

报名方式见文末

-----------------

导读

深度学习是近来数据科学中研究和讨论最多的话题。得益于深度学习的发展，数据科学在近期得到了重大突破，深度学习也因此得到了很多关注。据预测，在不久的将来，更多的深度学习应用程序会影响人们的生活。实际上，我认为这种影响已经开始了。

如果你站在圈外的角度，深度学习可能看起来让人望而生畏。 像TensorFlow，Keras，基于GPU的计算等专业术语可能会吓到你。 但是，悄悄告诉你 – 深度学习并不难！ 紧追前沿的深度学习技术的确需要花费时间和精力，但应用它们解决日常生活中的问题还是很容易的。

有趣的是，在我应用深度学习技术的过程中，我重拾了孩童时期的乐趣和好奇心。在这篇文章里，我将介绍6个这样的应用。它们开始的时候看起来很难实现，但是如果利用深度学习，问题就可以在一个小时内迎刃而解。本文展示了一些具有突破性价值的成果，并向你介绍它们是如何运作的。

API不过是一种运行在远端PC的程序。可以在本地通过互联网远程连接。例如，即使你的电脑里已经内置了扬声器，你仍可以再插入一个蓝牙。这样，利用笔记本电脑就可以远程访问扬声器。

API 的概念类似于有人已经帮你实现了较难的那部分工作。你可以用它来快速解决手上的问题。

我将列出一些使用API构建应用程序的优缺点。

1.1.1深度学习API的优点

• 深度学习应用程序通常对GPU计算能力和数据存储/处理性能有较高要求。因此，你可以创建自己的工作站（或使用任意云服务），并在本地使用任意系统来访问工作站并运行应用程序。

• 本地系统不受计算负担影响。

• 轻松集成新功能。

1.1.2深度学习API的缺点

• 构建API的成本很大。开发和维护一个API需要投入时间和资源，这多少有点沉闷乏味。

• 容易受到互联网连接的限制。任何时刻的连接失败都会导致整个系统的中断。

• 如果任何人可以轻松连接你的应用，它将暴露安全问题。你必须设置额外的安全层，例如设置用户名和密码，并限制在一段时间内可以访问的次数。

让我们开始吧！

1.2使用深度学习（Algorithmia API）为照片着色

自动着色一直是计算机视觉社区中的热门话题。从一张黑白图片获得一张彩色照片似乎是件超现实的事。想象一个4岁的孩子拿着蜡笔全神贯注于涂鸦本的场景，我们是否能教会人工智能同样去做这件事情呢？

这是当然一个难题。人类在观察事物颜色的过程中得到了经年累月的训练，我们自己可能不会注意到，但是我们的大脑在捕捉生活的每一刻，并从中提取有意义的信息，如天空是蓝的、草是绿的。这很难在人工智能体中建模。

近期的一项研究表明，如果我们基于大量准备好的数据集，对神经网络进行足够的训练，就能够从灰度图像中幻化出颜色的模型。下面是一个图像着色器的示例： 

为了实现这一点，我们使用由Algorithmia开发的API。

规格要求：

• Python（2或3）

• 网络连接（用于调用API端点）

• 12个积分（积分需要支付获得，不过注册Algorithmia可免费获赠5000积分）

步骤1：在Algorithmia上注册并获取您自己的API密钥。 你可以在个人资料中找到API密钥。

pip install algorithmia

步骤2：输入pip语句安装Algorithmia。

步骤3：选择要着色的照片，并将其上传到algorithmia提供的Data文件夹中。

步骤4：在本地创建一个文件，命名为trial1.py。 打开它，并写如下代码。注意需要输入你的图像在data文件夹中的路径，还有你的API密钥.

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)

步骤5：打开命令提示符并输入“python trial1.py”运行刚才的代码。 输出的结果将自动保存在数据文件夹中。这是我得到的：

就是这样 - 你刚刚创建了一个简单的应用程序，它就像个孩子，可以填充图像中的颜色！容我自high一下：一颗赛艇！

1.3构建聊天机器人（Watson API）

Watson是一个展现人工智能的杰出例子。你可能听说过Watson在一个问答游戏中战胜人类的故事。 Watson集合了许多技术，深度学习是其学习过程的核心部分，特别是在自然语言处理方面。在此，我们将使用Wastson众多应用中的一个来构建对话服务。也就是聊天机器人。聊天机器人是一个能像人一样回答常见问题的智能体。它可以很好地与客户交流并作出及时回复。

这里有一个演示平台：

要求和规格：

• Python（2或3）

• 网络连接（用于调用API端点）

• 激活的Bluemix帐户（试用期为30天）

让我们来看看如何用Watson一步步构建简单的聊天机器人。

步骤1：在Bluemix上注册并激活保护服务以获取凭据

步骤2：打开terminal界面，运行命令如下：

pip install requests responses

pip install --upgrade watson-developer-cloud

步骤3：创建一个文件trial.py并复制以下代码。记住加入个人凭据。

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))

步骤4：保存文件并在控制台中输入“python trial.py”运行程序。你可以在控制台中得到Watson对输入信息的输出响应。

输入：显示附近的内容。

输出：我明白你想要我找到一个便利设施。我可以在附近找到餐厅，加油站和洗手间。

如果你想构建一个包含动态汽车仪表盘（如上面gif所示）的完整对话服务项目。查看这个github存储库。

几分钟就能实现聊天机器人和着色应用，不错~

1.4基于情绪分析的新闻聚合器（Aylien API）

有时我们只想看到世界上的美好事物。如果读报纸的时候，只看到“好”消息，过滤掉所有坏消息，这将是多么酷的一件事。

使用先进的自然语言处理技术（其中之一是深度学习）使得一切成为可能。你现在可以根据情绪分析文本对新闻进行过滤，并将其呈现给读者。

采用Aylien的新闻API可以实现这一功能。下面是演示的截图。你可以构建自定义查询，并检查结果。

让我们看看在python中的实现。

要求和规格：

• Python（2或3）

• 网络连接（用于访问API端点）

步骤1：在Aylien网站上注册一个帐户。

步骤2：登录时从个人资料中获取API_key和App_ID。

步骤3：进入terminal界面输入下面的语句，安装Aylien新闻API。

pip install aylien_news_api

步骤4：创建一个文件“trial.py”并复制以下代码。

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)

步骤5：保存文件并通过键入“python trial.py”开启运行。输出将是如下所示的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！我可以做一个根据兴趣筛选新闻的对话应用程序了！我相信，现在你对深度学习感到很兴奋！

现阶段，对研究社区起最大帮助的是开源思维。研究人员分享他们取得的成果，深度学习也因此得到了跨越式发展。这里我涉及了一些开源成果，它们都是从从研究论文中转变过来的。

2.1.1开源应用的优点

• 由于应用程序是开源的，你可以查看应用程序的任何细节，并且如果需要，还可以轻松自定义。

• 来自不同组织、拥有不同经验的开发人员会在应用程序中协作。这使得应用程序比原始版本更好。此外，因为很多人都可以使用，所以这个应用程序可以不断地进行测试，更方便地被使用。

2.1.2开源应用程序的缺点

• 因为没有组织从背后支持，开源项目中往往缺少“责任意识”，如果发生问题也不知道该责问谁。

• 还有明显的许可问题，许多公司都不愿将他们的项目“公开”。

注意：对于开源应用程序，我建议你浏览一遍官方的存储库。因为很多项目仍处于初级阶段，可能会因为未知的原因而中断。

让我们来看一些开源应用程序！

2.2利用深度学习进行语句校正

现在的系统可以轻松检测和纠正拼写错误，但纠正语法错误有点困难。为了提升这一能力，我们可以使用深度学习。这个存储库是特意为此设置的。

我整理一下……

这里我们使用一个语料库来训练序列预测神经网络，该语料库包含一系列语法错误的句子以及它的更正结果。

训练模型为语句的矫正提供了正确答案。下面是一个例子：

输入：‘Kvothe went to market’

输出：‘Kvothe went to the market’

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

该模型仍然无法校正所有的句子，但随着更多的训练数据和高效的深度学习算法，结果会越来越好。

要求：

• Python（2或3）

• GPU（可选用于更快的训练）

步骤1：从官网上安装tensorflow。另外，从GitHub下载存储库，并从https://github.com/atpaino/deep-text-corrector保存到本地。

步骤2：下载数据集（Cornell Movie-Dialogs Corpus），并将其解压到工作目录中

步骤3：通过运行命令创建训练数据

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

               --out_file preprocessed_movie_lines.txt

并创建训练，验证和测试文件，并将其保存在当前工作目录中

步骤4：现在训练深度学习模型：

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

步骤5：该模型需要一些时间来训练。训练完成后，可以通过以下方式进行测试：

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

               --config DefaultMovieDialogConfig \

               --data_reader_type MovieDialogReader \

               --model_path /movie_dialog_model \

               --decode

2.3利用深度学习进行男女肖像转换

在谈到该应用程序之前，请观察以下结果：

这里第二张图片是第一张图片通过深度学习得到的！这个有趣的应用程序表明深度学习无所不能！该应用程序的核心在于GAN（生成对抗网络），这种类型的深度学习能够本中生成新样本。

要求：

• Python（3.5+）

• Tensorflow（r0.12 +）

• GPU（可选用于更快捷的训练）

操作之前给你提个醒，如果不使用GPU，模型训练需要花很长的时间。即使使用高端GPU（Nvidia GeForce GTX 1080），一个图像的训练也需2小时。

步骤1：下载存储库并在本地解压缩https://github.com/david-gpu/deep-makeover

步骤2：从CelebA数据集下载“Align&Cropped Images”。创建数据集文件夹，并命名为“dataset”，并把所有图片解压到其中。

步骤3：通过以下方式训练模型：

python3 dm_main.py --run train

然后通过传递想要转换的图像进行测试

python3 dm_main.py --run inference image.jpg

2.4搭建深度强化学习机器人来玩Flappy Bird这款游戏

你可能玩过Flappy Bird这款游戏。对于不知道这个游戏的人来说，这款Android游戏很让人上瘾。在游戏里，玩家需要避开障碍，让小鸟一直在空中飞翔。

在这个应用中，这个飞鸟机器人就是利用强化学习技术创造的。这下面是一个训练好的机器人演示。

要求：

• Python（2或3）

• Tensorflow（0.7+）

• Pygame

• Opencv-python

实现这个应用很容易，因为多数的基本要素都已经包含其中 

步骤1：下载官方存储库。

步骤2：确保已安装所有依赖项。一旦准备完成，运行如下命令。

python deep_q_network.py

本文只是涉及了深度学习模型强大能力的皮毛。每天都有大量论文发表，带来大批像这样的应用。关键是谁能最先提出想法

我还列了一些其他值得一看的资源。

• A compilation of deep learning applications by Károly Zsolnai-Fehér

• Neural Artistic Style

• Building a toy self-driving car bot on Mario Kart.

• 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

• List of Deep Learning Startups

• List of awesome Deep Learning Projects

结语：

希望你在阅读这篇文章的过程中找到乐趣。这些应用程序绝对会让你感到震撼。有的人可能已经了解这些应用，有的人还没有。如果你参与过这些应用程序的开发，请分享你的经验。我们会拭目以待。

如果你第一次接触这些应用程序，你对哪些部分最好奇呢？欢迎在下方评论处分享你的建议或反馈。

授权转自THU数据派

微信ID：datapi

------------

点击图片阅读文章

根本停不下来！给它一个轮廓，TensorFlow还你一只完整的喵 (附论文下载)