人們對于程序猿的刻板印象，宅男、呆板、直男癌晚期……你所猜不到的另一面，程序猿撩起妹來不遑多讓。不信，且看程序猿為大家帶來的深度學習版本“撩妹”技巧。

LSTM算法

圖1就是大名鼎鼎的長短記憶模型(Long Short-Term Memory,LSTM)，也是遞歸神經網絡(Recurrent Neural Networks,RNN)中最受歡迎的一種形式。它最早是由Sepp Hochreiter于1991發表原型，然后Jürgen Schmidhuber于1997將該理論基礎大功告成。沒錯！LSTM是個快要30歲的老算法了，它也是被Hinton發展出的深度學習優化方法救活的一票算法之一。

圖1 LSTM算法

LSTM最大的好處在于它解決了遞歸神經網絡容易發生的梯度爆炸以及梯度彌散問題，它使用了稱之為「門控(Gate)」的機制，可以學習開啟或是關閉的時機，來控制上下文向量(Context Vector)的流動。LSTM總共有3個門控，分別是輸入門、遺忘門以及輸出門。輸入門負責管理新數據是否該納入，而遺忘門負責管理哪些舊數據該遺忘，輸出門則管理哪些上下文該納入輸出。所以，對女孩子說它的遺忘門總是關著，正是表達永不遺忘的最高禮遇。

Faster RCNN算法

Faster RCNN(圖2)是由被粉絲們昵稱為RGB的Ross B.Girshick所發表。自2013年起發表的RCNN三部曲包含RCNN、Fast RCNN以及Faster RCNN。最終版本Faster RCNN于2015發表，是精確率最高的物體檢測算法之一；但可惜它是先定位，再分類的兩階段模型，所以速度不高。

圖2 Faster RCNN算法

物體檢測就是不但要知道照片里有什么(物體識別)，還需要把它框出來(物體檢測)。Faster RCNN使用了Region Proposal Network，解決了過去算法中以人工方式產生大量候選位置區域(Proposal)的問題；并改用預埋的不同尺寸Anchor，來解決物體不確定尺寸大小與比例的問題。所以，不管天涯海角，Faster RCNN都能把妹的位置給檢測出來。

Auto-Encoder算法

Auto-Encoder(圖3)是最古老的深度學習結構之一。它是一個漏斗型的結構，讓高維度數據逐步被降維，到了最窄處，再逐步升維，并且要求輸入必須等于輸出。這意味著最窄處被極致降維的結果必須包含重建原始高維數據的一切必要訊息。我們稱這樣的高度壓縮向量為表征(Representation)或者是嵌入(Embedded)，這也是深度學習壓縮算法的核心網絡結構，由于它沒有依賴任何外部卷標，因此被歸屬為標準的非監督式學習。所以只要看過妹的一顰一笑，它就能夠取得表征，然后完整重現。

圖3 Auto-Encoder算法

WaveNet算法

WaveNet(圖4)是來自于Deepmind的得意之作，它也是目前聲音生成模型的SOTA(State-of-The-Art)。WaveNet可以模仿人類或者是各種樂器的聲音，他的模仿能力甚至連人類講話時特有的換氣呼吸聲都可以模仿。

圖4 Faster RCNN算法

WaveNet的本質是一個一維空洞卷積，一般我們用二維卷積處理二維的影像數據，那么一維的聲音數據當然要用一維卷積。至于空洞卷積(Dilation)則是一種特殊卷積型態，它可以有效地在不增加訓練參數的狀況下，擴大每個卷積的感知域，這樣就可以從細節到大趨勢的捕捉聲音特性。所以當然忘不了妹的聲音。

Deep Belief Network算法

學深度學習的人千萬不能不知道什么是深度信念網絡(Deep Belief Network)，它是深度學習三大神之首Hinton發展深度學習理論時的第一個深度學習網絡(圖5)。所以，我也借用它作為我在大陸創業的公司名字Deepbelief.ai。

圖5 Deep Belief Network算法

深度信念網絡每一層都是受限波茲曼機(Restricted Boltzmann Machine,RBM)，Hinton拿它來做語音識別以及人臉識別，在那時都獲得巨大的成功。這是神級的深度信念，妹怎能不感動。

DenseNet算法

DenseNet(圖6)可以說是這類使用了跳轉連接(Skip Connection)的卷積神經網絡中的超級進化版，每一個稠密單元(Dense Block)中，每一層卷積神經層除了來自上一層傳送的特征外，在之前的「每」一層都會透過跳轉連接將特征直送，這樣保證重要特征絕不丟失，所以超級珍惜與妹在一起的所有回憶。

圖6 DenseNet算法

Attention算法

深度學習三大神之一的Yoshua Bengio首次將注意力機制(Attention)運用在機器翻譯中，它模仿人類閱讀文字的習慣，先逐字讀取后，會將注意力放在特定的詞匯以產生正確翻譯結果，注意力機制可以衡量特別詞匯的重要性(圖7)。若是注意力一直在她身上，多么深情的執著。

圖7 Attention算法

152-Layers ResNet算法

由微軟亞洲研究院的兩大男神孫劍與何愷明連手發表的ResNet，在2015年利用了一百五十二層前所未有的超深卷積神經網絡獲得了該年ImageNet的冠軍，而且以僅有3.57%的物體識別錯誤率，終于在視覺領域上擊敗人類。一百五十二層殘差神經網絡，沒有最深，只有更深(圖8)。

圖8 152-Layers ResNet算法

ResNet算法

殘差神經網絡(ResNet)利用了跳轉鏈接傳遞梯度，逐層優化輸出值與實際值之間的差異(殘差)，可以有效地傳遞梯度避免梯度彌散，也成為現在最主流的卷積神經網絡骨干架構(圖9)。

圖9 ResNet算法