深度学习讲座

深度学习某些应用

利用深度学习网络的架构能够作不少有趣的研究.

好比对给定的图片生成一段文字，利用图片之间的语义相关距离找出相似的图片，利用深度学习自动的根据训练样本判断出鱼的不一样种类，自动根据鱼的图片生成鱼的长度，蛋白质结构的重构和补全。等等。

不少深度学习框架的底层都是基于GPU运算的，经过GPU能够加速深度学习的过程，能够将GPU视为深度学习的引擎。

深度神经网络（Deep Neural Networks）以及回归神经网络(Recurrent Neural Networks)经常被应用到图像处理领域。

深度学习的架构

根据整个深度学习的架构演进从低到高，分别包括如下三个层面：

• 1. Nvidia DL stack则从底层硬件的层面实现了深度学习的硬件架构,
• 2. 软件层面则有CUDA-Basic Parallel Programming Toolkit.
• 3. 继续向上层考虑，则有Caffe, Torch,Theano等深度学习框架。

提到了一个有趣的应用就是根据可穿戴设备的传感器，采集到人的一些健康相关的数据，首先通过传感数据清洗，获得例如呼吸频率等一维信息，而后经过FFT将一维的信号转换到二维的频域，生成2-D的频谱图像.从而将本来不是图像的问题转换成相似于图像的问题进行处理.这是一个具备创新点的想法.

最后的目标是实现Autoencoder DNN for self-taught feature learning.