# 深度學習實務應用

## 公開資料集

| 資料類型 | 名稱 | 詳細說明 |
| ---------- | ------------------------- | ---------------------------------------------------------------------------------------------------------------------------------------------------------------- |
| 影像 | Open ImagesV4(來自Google) | 900萬張影像，19700個類別。 |
| | Microsoft COCO | 330000張影像，80個物件別。包含定界框、分割及每張影像的5種圖說 |
| 視訊 | YouTube-8M | 610萬則視訊、3862 個類別、26億個音訊一視訊特徵、30個標籤/視訊、153TB的隨機採樣視訊 |
| 視訊、影像 | BDD100K(來自UC Berkly) | 超過1100時的10萬駕駛視訊。10個類別的具有定界框的10萬張影像。具有車道標記的10萬張影像。具有可駕駛區域分割資訊的10萬張影像。具有像素層級案例分割資訊的10萬張影像。 |
| | Waymo Open Dataset | 3,000個駕駛場景的167小時視訊資料，60萬個畫格(frame)、大約2500萬個3D定界框，以及2200個2D定界框 |
| 文字 | SQUAD | 來自維基百科的15萬問答片段 |
| | Yelp Reviews | 5百萬則Yelp評論 |
| 衛星資料 | Landsat Data | 數百萬張衛星影像(長寬各100海哩)還有8個光譜帶(15到60公尺解析度 |
| 音訊 | Google AudioSet | 來自YouTube 的2084320則10秒長度聲音片段，包含632個類別 |
| | LibriSpeech | 1.000小時的英文演講 |

## 模型架構

| 任務 | 範例模型架構 |
| -------- | -------- |
| 影像分類 | ResNet-152 (2015)、MobileNet (2017) |
| 文本分類 | BERT (2018) 、XLNet (2019) |
| 影像分割 |U-Net (2015)、DeepLabV3 (2018) |
| 影像翻譯 | Pix2Pix (2017) |
| 物件偵測 | YOLO9000 (2016) 、 Mask R-CNN (2017) |
| Text語音產生 |WaveNet (2016) |

## 深度學習框架

|框架 |最適合用於 | 典型目標平 |
| -------- | -------- | -------- |
| TensorFlow(包含Keras) | 訓練 | 桌上型電腦、伺服器 |
| PyTorch | 訓練 |桌上型電腦、伺服器 |
| MXNet | 訓練 | 桌上型電腦、伺服器 |
| TensorFlow Serving | 推論 | 伺服器 |
| TensorFlow Lite | 推論 | 行動與嵌入式裝置 |
| TensorFlow.js | 推論 |瀏覽器 |
| ml5.js | 推論 | 瀏覽器 |
| Core ML |推論 |Apple裝置 |
| Xnor Al2GO| 推論 |嵌入式裝置 |

## 基於GUI之模型工具

| 服務 | 平台 |
| -------- | -------- |
| Microsoft CustomVision.AI | 網站 |
| Google AutoML | 網站 |
| Clarifai | 網站 |
| IBM Visual Recognition | 網站 |
| Apple Create ML |macOS |
| NVIDIA DIGITS | 桌上型電腦 |
| Runway ML | 桌上型電腦 |

一個簡單的影像分類生產線包含以下步驟:
1. 載入一張影像。
1. 將他的大小調整成是先決定的大小，例如224x224像素。
1. 選擇一個預先訓練好的模型。
1. 在影像上執行此預先訓練好的模型，已獲得一串列的類別預測以及其對應機率。
1. 顯示一些具有最高機率的類別。