阿里云天池大賽賽題解析：深度學習篇

目　　錄
賽題一 瑞金醫(yī)院MMC人工智能輔助構建知識圖譜
0 技術背景 3
0．1 技術現(xiàn)狀 3
0．2 實驗室介紹 3
1 賽題解讀 7
1．1 賽題背景 7
1．2 知識圖譜 7
1．2．1 知識圖譜的發(fā)展歷史 7
1．2．2 如何表達知識 9
1．2．3 如何構建知識圖譜 11
1．2．4 如何進行知識推理 13
1．3 數(shù)據介紹 15
1．3．1 初賽數(shù)據 16
1．3．2 復賽數(shù)據 17
1．4 評測指標 18
2 數(shù)據處理 19
2．1 自然語言處理基礎 19
2．1．1 詞向量 19
2．1．2 語言模型 20
2．1．3 自然語言處理中的深度學習 24
2．2 數(shù)據預處理 29
2．2．1 ．txt文件 29
2．2．2 ．ann文件 30
2．2．3 使用Python解析文件 32
3 初賽賽題――實體識別 35
3．1 實體識別任務 35
3．2 傳統(tǒng)機器學習方法 36
3．2．1 概率圖模型 36
3．2．2 隱馬爾可夫模型 38
3．2．3 最大熵馬爾可夫模型 39
3．2．4 條件隨機場模型 40
3．3 深度學習方法 41
3．3．1 雙向循環(huán)神經網絡 41
3．3．2 雙向循環(huán)神經網絡+條件隨機場模型 43
3．4 初賽方案 44
3．4．1 數(shù)據集構建 44
3．4．2 特征工程 46
3．4．3 模型構建 47
4 復賽賽題――關系抽取 53
4．1 關系抽取任務 53
4．2 傳統(tǒng)方法 53
4．2．1 基于模板的抽取 53
4．2．2 基于依存句法的抽取 54
4．2．3 基于統(tǒng)計機器學習的抽取 55
4．3 深度學習方法 56
4．3．1 監(jiān)督學習 56
4．3．2 半監(jiān)督學習 57
4．4 復賽方案 59
4．4．1 數(shù)據集構建 59
4．4．2 特征工程 62
4．4．3 模型構建 63
5 Neo4j存儲知識圖譜 69
5．1 Neo4j介紹 69
5．2 Neo4j配置 70
5．2．1 安裝 70
5．2．2 Web管理平臺 71
5．2．3 Neo4j-shell 72
5．3 數(shù)據庫構建 72
5．3．1 準備工作 72
5．3．2 創(chuàng)建數(shù)據庫 72
5．3．3 事務 73
5．3．4 創(chuàng)建節(jié)點 73
5．3．5 創(chuàng)建關系 74
5．3．6 查詢 74
5．4 Cypher查詢 75
5．4．1 讀語句 76
5．4．2 寫語句 76
5．4．3 通用語句 78
6 賽題進階討論 80
6．1 數(shù)據標注方法 80
6．1．1 指針標注 80
6．1．2 片段排列 81
6．2 聯(lián)合抽取 82
6．2．1 共享參數(shù) 82
6．2．2 聯(lián)合標注 84
6．3 大規(guī)模預訓練語言模型 86
6．3．1 ELMo模型 86
6．3．2 GPT模型 87
6．3．3 BERT模型 89
6．3．4 使用BERT模型進行實體識別與關系抽取 90
賽題二 阿里巴巴優(yōu)酷視頻增強和超分辨率挑戰(zhàn)賽
0 技術背景 95
0．1 業(yè)界應用 95
0．2 文娛行業(yè)面臨的畫質問題 95
0．3 實驗室介紹和技術手段 96
0．4 重點模塊 97
0．5 處理效果 98
1 賽題解讀 100
1．1 賽題背景 100
1．2 賽題目標 100
1．3 數(shù)據概覽 100
1．4 評估指標 101
1．5 解題思路 102
1．6 賽題模型 103
2 數(shù)據處理 105
2．1 視頻和圖像處理 105
2．1．1 圖像基本概念 105
2．1．2 視頻基本概念 106
2．1．3 視頻分幀 107
2．1．4 圖像處理 108
2．1．5 圖片合成視頻 110
2．2 工具包 111
2．2．1 OpenCV庫 111
2．2．2 FFmpeg庫 112
2．3 數(shù)據處理 112
2．3．1 安裝工具包 112
2．3．2 導入工具包 112
2．3．3 視頻轉圖片函數(shù) 112
2．3．4 讀取圖片并獲取大小 113
2．3．5 讀取圖片并進行灰度處理 114
2．3．6 分幀后的圖片灰度處理 114
2．3．7 圖片轉視頻函數(shù) 115
3 傳統(tǒng)插值方法 117
3．1 插值方法 117
3．1．1 插值方法的基本概念 117
3．1．2 插值原理 118
3．2 插值算法 118
3．2．1 最近鄰插值算法 119
3．2．2 雙線性插值算法 119
3．2．3 雙三次插值算法 120
3．3 幾種傳統(tǒng)插值算法結果對比 121
3．4 數(shù)據處理 122
3．4．1 導入工具包 122
3．4．2 讀取圖片 122
3．4．3 最近鄰插值算法 122
3．4．4 雙線性插值算法 123
3．4．5 基于4px×4px鄰域的三次插值算法 123
3．4．6 不同插值函數(shù)計算PSNR 123
3．4．7 傳統(tǒng)插值方法效果對比 123
3．4．8 Bicubic插值算法 124
4 深度插值方法 126
4．1 深度學習 126
4．1．1 卷積神經網絡 126
4．1．2 使用SRCNN實現(xiàn)超清分辨率 132
4．2 賽題實踐 132
4．2．1 導入工具包 132
4．2．2 讀取圖片 133
4．2．3 使用Bicubic插值放大至目標尺寸 133
4．2．4 實現(xiàn)SRCNN 133
4．2．5 SRCNN模型訓練 133
4．2．6 SRCNN模型驗證 135
4．2．7 SRCNN模型預測 135
4．2．8 保存圖片 135
5 深度學習方法改進 136
5．1 FSRCNN實現(xiàn)超清分辨率 136
5．2 ESPCN實現(xiàn)超清分辨率 138
5．3 賽題實踐 140
5．3．1 導入工具包 140
5．3．2 讀取圖片 140
5．3．3 FSRCNN 140
5．3．4 ESPCN 142
6 深度學習方法進階 145
6．1 GAN基本概念 145
6．1．1 GAN生成手寫數(shù)字 146
6．1．2 GAN訓練 147
6．1．3 GAN算法數(shù)學形式 148
6．2 CGAN 149
6．3 VGGNet 150
6．4 ResNet 153
6．5 SRGAN結構 156
6．5．1 SRGAN損失函數(shù) 157
6．5．2 SRGAN效果 157
6．6 SRGAN實現(xiàn)超清分辨率 158
6．6．1 導入工具包 158
6．6．2 讀取圖片 159
6．6．3 實現(xiàn)SRGAN 159
6．6．4 SRGAN模型訓練 163
6．6．5 SRGAN模型驗證 163
6．6．6 SRGAN模型預測 163
6．6．7 保存圖片 163
賽題三 布匹疵點智能識別
（2019廣東工業(yè)智造創(chuàng)新大賽 賽場一）
0 技術背景 167
0．1 行業(yè)背景 167
0．2 實驗室產品介紹 168
0．3 賽題背景 170
0．4 初賽數(shù)據示例 171
0．5 復賽數(shù)據示例 172
1 賽題解析 173
1．1 賽題背景分析 173
1．2 計算機視覺 174
1．2．1 計算機視覺簡介 174
1．2．2 計算機視覺發(fā)展歷史 175
1．2．3 計算機視覺方法 177
1．3 數(shù)據集介紹 178
1．4 賽題指標介紹 179
1．5 賽題初步分析 181
2 深度學習基礎 182
2．1 感知機 182
2．2 梯度下降法 184
2．3 多層感知機 186
2．4 反向傳播 189
2．5 深度神經網絡PyTorch實現(xiàn) 189
3 卷積神經網絡與數(shù)據處理 193
3．1 卷積運算與互相關運算 193
3．2 卷積神經網絡 195
3．3 卷積神經網絡的反向傳播算法 198
3．4 卷積神經網絡PyTorch實現(xiàn) 199
3．4．1 卷積神經網絡簡單實現(xiàn)示例 199
3．4．2 競賽數(shù)據預訓練模型 202
4 區(qū)域卷積神經網絡系列算法 204
4．1 目標檢測的基本概念 204
4．2 區(qū)域卷積神經網絡 205
4．3 Fast R-CNN算法 210
4．4 Faster R-CNN算法 214
4．5 目標檢測Faster R-CNN算法實戰(zhàn) 218
5 實例分割Mask R-CNN算法 226
5．1 實例分割 226
5．2 Mask R-CNN算法 226
5．3 PyTorch實現(xiàn)實例分割 230
6 賽題最優(yōu)算法與提升思路 237
6．1 級聯(lián)區(qū)域卷積神經網絡 237
6．2 目標檢測賽題提升思路 239
6．3 mm-detection框架下的算法實現(xiàn) 241
參考文獻 242