F1 score F1 = 2 × Precision × Recall Precision + Recall 11 评价指标 有100张照片，其中，猫的照片有60张，狗的照片是40张。 输入这100张照片进行二分类识别，找出这100张照片中的所有的猫。 正例（Positives）：识别对的 负例（Negatives）：识别错的 预测值 Positive Negtive 实际值

7 1.人脸识别概述 One-Shot学习 在一次学习问题中，只能通过一个样本进行学习，以能够认 出同一个人。大多数人脸识别系统都需要解决这个问题。 系统需要做的就是，仅仅通过一张已有的照片，来识别前面 这个人确实是她。相反，如果机器看到一个不在数据库里的 人所示），机器应该能分辨出她不是数据库中四个人之一。 ?(???1, ???2) = ?????? ?? ????????? ?, ?) = ???(||?(?) − ?(?)||2 − ||?(?) − ?(?)||2 + ?, 0) 假设有1000个不同的人的10000张照片，也就是这1000个人平均每个人10张 照片，组成了整个数据集。 如果每个人只有1张照片，那么根本没法训练这个系统。 14 1.人脸识别概述 Triplet 损失 为了构建一个数据集，你要做的就是尽可能选择难训练的三元组?、? 和

的属性组成。机器学习模型会根据这些属性进行预测。在上面的监督学习问题中，要预测的是一个特殊的属 性，它被称为标签（label，或目标（target））。 当处理图像数据时，每一张单独的照片即为一个样本，它的特征由每个像素数值的有序列表表示。比如， 200 × 200彩色照片由200 × 200 × 3 = 120000个数值组成，其中的“3”对应于每个空间位置的红、绿、蓝通 道的强度。再比如，对于一组医疗数据，给定一组标准 能在不知情的情况下发生。因此，当数据不具有充 分代表性，甚至包含了一些社会偏见时，模型就很有可能有偏见。 20 1. 引言 1.2.2 模型 大多数机器学习会涉及到数据的转换。比如一个“摄取照片并预测笑脸”的系统。再比如通过摄取到的一组 传感器读数预测读数的正常与异常程度。虽然简单的模型能够解决如上简单的问题，但本书中关注的问题超 出了经典方法的极限。深度学习与经典方法的区别主要在于： 将详细阐述。 请注意，最常见的类别不一定是最终用于决策的类别。举个例子，假设后院有一个如 图1.3.2 所示的蘑菇。 图1.3.2: 死帽蕈——不能吃！！ 现在，我们想要训练一个毒蘑菇检测分类器，根据照片预测蘑菇是否有毒。假设这个分类器输出 图1.3.2 包 含死帽蕈的概率是0.2。换句话说，分类器80%确定图中的蘑菇不是死帽蕈。尽管如此，我们也不会吃它，因 为不值得冒20%的死亡风险。换句话说

+ 稽核抽查 + 正负反馈 稽核结果： •货架缺货 •新品未上架 •必分销未上架 •陈列审核不通过 客户现状与问题分析 现状缺点： •抽查比例低 •覆盖门店少 •人工费用高 •全局把握难 照片：10万/天 300万/月 抽查：5000张/月 客户需求：全国门店/货架智能看板 • 区域/门店达标率 • 货架可见度 • 货架占有率 • 新品上市/上架率 • 陈列达标率 • 产品价格指数

深度学习 应用服务 场景相关业务 数据清洗-查询 深度学习训练平台 模型测试与验证 深度学习算法在产品应用中的挑战 • 深度学习算法也需要“深度”学习业务需求 - 处理特殊输入，如模糊、黑白照片 - 适配具有不同特征的数据源 - 在严肃应用中，客户追求100%准确率，算法性能提升永无止境 • 深度学习模型需要在准确率和速度上做均衡 - 使用更加精巧的模型和Operator设计 -

Potted Plant Backyard 面部分析 在图像中定位人脸并分析面部的情绪，检测情感、姿势、地 标等特性 • 剪裁图片和重叠广告时需 要避开的面孔 • 获得人口学以及情感的数 据推荐最佳照片 • 提高在线约会匹配的推荐 • 动态的个性化广告 人脸比对 测量两张图片中同一个人的可能性 • 为应用和设备添加人脸 验证 • 扩展了物理安全控制的 应用领域 • 客人对VIP 设施的使用

%以上，200种MAP>63%以上， 性能CPU上约200ms/张。 微云相册，相册管家 识别标签效果 Ø 微云，相册管家新版本推出智能全自动图片分类，通过上百 种常用图片标签，实现对所有照片的自动识别分类。 Ø 用户上传图片之后即可被智能分类，各大类下包括小类如人 物大类下有合影、女孩、男孩、聚会等小标签。只需要输入 或点击标签即可获取对应类别的图片。 l 图片场景识别技术 SACC2017

Engine、Microsoft Azure 與 CloudBees 等雲端平台的運 用，以及 Android、Windows Phone 等 Smart Phone 的應用程式開發。 PS. 除了我的照片之外，投影片裡頭 所有的圖片都來自於 Google Search，版權歸原來各網站與企業所 有，謝謝。 Bio 2 / 74 Agenda 0. 前情提要 1. 進擊的 Hadoop 2

手写数字图片，我们可以认为数字的类别、字体大小和书写风格等是图片的隐藏变 量，希望模型能够学习到这些分离的(Disentangled)可解释特征表示方法，从而可以通过人 为控制隐变量来生成指定内容的样本。对于 CelebA 名人照片数据集，希望模型可以把发 型、眼镜佩戴情况、面部表情等特征分隔开，从而生成指定形态的人脸图片。 分离的可解释特征有什么好处呢？它可以让神经网络的可解释性更强，比如?包含了一 些分离的可解释特征