Table of Contents
CNN的應用 What can CNN do? (Part3)
今日的課程來自於: https://youtu.be/5BJDJd-dzzg (54分-79分)
前兩篇中分別介紹了 CNN如何使用、CNN是如何運作的
今天要來介紹幾種CNN的應用方法
Deep Dream
Deep Dream就是，如果你給machine一張image，他會在這image加上他看到的東西，將圖片丟到CNN裡面去，然後你把某一個convolution layer裡面的filter或 fully connected layer 裡的某一個 hidden layer 的output (vector)拿出來，把裡面的值調大(正的調大，負的調小)，然後把它作為新的image的目標
調整好之後，然後用gradient descent 的方法找一張image X，讓他通過這個hidden layer後的output 就是你調整的target，這麼做的目的就是，讓CNN誇大化他看到的東西 — make CNN exaggerates what is sees
也就是說，如果某個filter有被activate，那你讓他被activate的更劇烈，CNN可能本來看到了某一樣東西，那現在你就讓他看起來更像原來看到的東西，這就是所謂的誇大化
將上面的image 拿去做Deep Dream 的話，你看到的結果就會像下面這個樣子
你會發現，圖片中有一些念獸，要仔細看才看得到，比方像右側的熊，他原本只是一個石頭，對機器來說，它在看這張圖片時，本來就覺得像一隻熊，所以你更強化這件事，讓他看起來真的就變成了一隻熊，這就是deep dream
Deep Style
Deep Dream還有一個進階的版本，就叫做Deep Style，如果今天你input 一張image，Deep Style 做的事情就是讓machine去修改這張圖，讓他有另外一張圖的風格，如下圖所示:
可以發現將image餵給機器之後，出現了一張像吶喊的照片
Deep Style 的思路如下: 你把原本的image丟給CNN，得到CNN filter的 output，代表這樣image裡面有甚麼樣的content，然後你把吶喊也丟到CNN裡面得到filter的output
注意! 我們並不在乎一個filter output的value到底是什麼，一個單獨的數字並不能代表任何問題，我們真正在意的是，filter和filter的output之間的correlation，這個correlation代表一張image的style
接下來你就再用一個CNN去找一張image，這張image的content像左邊的圖片，比如這張的image的filter output的value像左邊的圖片;同時，讓這張image的style像右邊的圖片，所謂的style像右邊的圖片是說，這張image output的filter之間的correlation像右邊這張圖片
最終你用gradient descent找一張image，同時可以maximize左邊的content和右邊的style，他的樣子就像上圖左下角所示
CNN 使用於AlphaGo | What does CNN do in Playing Go
CNN 不只可以處理影像，還可以應用於其他東西上，比如出名的alphaGo
想讓machine來下圍棋，不見得要使用CNN，其實一般typical的neural network也可以幫我們做到這件事情
你只要learn一個network，也就是找一個function，他的input是棋盤當前的局勢，output是你下一步落子的位置，這樣其實就可以讓machine學會下圍棋了，所以用fully connected 的 feedforward network 也可以做到讓machine下圍棋這件事情
也就是說，你只要告訴她input是一個19*19的vector，vector的每一個dimension對應到棋盤上的某一個位置，如果有一個黑子就是1，如果有一個白子的話就是-1，沒有東西就是0。所以你若把棋盤描述成一個19*19的vector，丟到fully connected的feedforward network裡，output也是19*19個dimension，每一個dimension對應到棋盤上的一個位置，那machine就可以學習下圍棋了
但實際上，如果我們使用CNN的話，可以得到更好的performance，我們之前舉的例子都是把CNN應用在圖片上面，也就是input一個matrix，而棋盤也可以表達成一個19*19的matrix，那對CNN來說，就直接把他當成一個image來對待，然後再output下一步要落子的位置，具體的training process是這樣子的:
Why CNN for Playing Go
自從AlphaGo用了CNN之後，大家都覺得CNN很厲害，所以有時候如果你沒有用CNN處理問題，人家可能來問你，你怎麼沒有用CNN，他可能不知道CNN是什麼，但是他就會問你為甚麼沒有用CNN，CNN不是比較強嗎?
什麼時候可以用CNN呢? 你的image該有哪些特性，也是CNN(part 1)提到的三點:
- Some patterns are much smaller than the whole image
- The same patterns appear in different regions
- Subsampling the pixels will not change the object
CNN能夠用在AlphaGo上，因為圍棋有一些特性和圖像處裡是很相似的
在property 1, 有一些pattern是比整張image要小的，在圍棋上，可能也有同樣的現象。我們只需要偵測一部分就能知道是否白子處於被吃的狀態，我們不需要看一整張棋盤，這跟image有著同樣的性質；在AlphaGo裡面，他第一個layer其實就是用5*5的filter，顯然做這個設計的人，覺得圍棋上最基本的patten可能都是在5*5的範圍內可以被偵測出來
在property 2，同樣的pattern可能會出現在不同的region，在圍棋上可能也有這個現象，像這個叫吃的pattern。所以你可以用同一個detector，來處理這些在不同位置的pattern
所以對圍棋來說，他在第一個observation和第二個observaion是有image的特性的，但是沒有辦法想通的，就是第三點Max pooling
Max pooling for AlphaGo? — read alpha-go paper
我們可以對一個image做subsampling，拿掉奇數行、偶數列的pixel，把image變成原本的1/4也不會影像你看這個圖的樣子，基於這個觀察才有Max pooling這個layer；但是對圍棋來說，好像不適合作max pooling
我們來看AlphaGo的paper，他只說使用了CNN，卻沒有在正文裡面仔細苗訴他的CNN架構，但是在附錄中，其實是有描述neural network structure的，如下圖所示
他是這樣說的，input是一個19*19*48的image，其中19*19是棋盤的格局，對AlphaGo來說，每一個位置都用48個value來描述，因為加上了domain knowledge，他不只是描述某位置有沒有白子或黑子，他還會觀察這個位置是不是處於被吃得狀況等等
先用一個hidden layer對 image做 zero padding，也就是把原來19*19的image外圍捕0，讓她變成一張23*23的image，然後使用k個5*5的filter對該image做convolution，stride設為1，activation function 用的是ReLU，得到的output是21*21的image；接下來使用k個3*3的filter，stride=1，activation function 還是使用ReLU，……
你會發現這個AlphaGo的network structure 一直在用convolution，其實根本就沒有使用Max pooling，原因並不是疏失了甚麼，而是根據圍棋的特性，本來就不需要Maz pooling
Neural Network 架構的設計，是應用之道，存乎一心
More Application — Speech、Text
Speech
CNN不只可以應用在圍棋上，也可以使用於語音處裡，我們把一段聲音表示成spectrogram，spectrogram的橫軸是時間，縱軸是這段時間裡聲音的頻率
下圖是一段”你好”的音頻，偏紅色代表這段時間裡該頻率的energy是比較大的，也就對應著”你”和”好”這兩個字，也就是說spectrogram用顏色來描述某一個時刻不同頻率的能量
我們也可以讓機器把這個spectrogram當作一張image，然後讓CNN來判讀，input這張image對應著甚麼樣的聲音信號，那通常用來判斷結果的單位，比如phoneme，就是類似音標這樣的單位
這邊比較神奇的地方就是，當我們把一段spectrogram當作image丟到CNN裡面的時候，在語音上，我們通常只考慮在frequency(頻率)方向上移動的filter，我們的filter就像上圖這樣，是長方形的，他的寬跟image的寬是一樣的，並且filter只在Frequency即縱座標上移動，而不再時間的序列上移動
這是因為在語音裡面，CNN的output後面都還會在接別的東西，比如LSTM之類，他們都已經有考慮typical 的 information，所以你在CNN裡面再考慮一次時間的information其實沒什麼特別的幫助，但是為甚麼在音頻上的filter有幫助呢?
我們用CNN的目的是為了用同一個filter把相同的patten給detect 出來，在聲音訊號上，男女說同樣畫看起來這個spectrogram是非常不一樣的，但只是一個頻率的shift(位移)而已，其實pattern是相同的，比如pattern是spectrogram變化的情形，男女的聲音片化情況可能是一樣的，他的差別可能只是所在的範圍不同而已，所以filter在frequency的direction上移動是有效的
所以，這又是另一個例子，當你把CNN用在一個Application的時候呢，你永遠要想一想Application的特性是甚麼，根據這個特性你再去design network的structure，才會真正在理解的基礎上去解決問題
Text
CNN也可以用在文字處理上，假設你的input是一個word sequence，你要做的事情是讓machine偵測這個word sequence代表的意思是positive的還是negative的
首先你把這個word sequence裡面的每一個word都用一個vector來表示，vector代表的這個word本身的semantic(語意)，那如果兩個word本身含意越接近的話，他們的vector在高維的空間上就越接近，這個東西就叫做word embedding
把一個sentence裡面所有word的vector牌再一起，它就變成了一張image，你把CNN套用這個image上，那filter的樣子就是上圖的藍色matrix，他的高和image的高是一樣的，然後把filter沿著句子裡詞彙的順序來移動，每一個filter移動完成之後都會得到一個由內積結果組成的vector，不同的filter就會得到不同的vector，接下來做max pooling，然後把max pooling的結果丟到fully connected layer裡面，你就會得到最後的output
與語音處理不同的是，在文字處理上，filter只在時間的序列(按照word的順序)上移動，而不在這個embedding的dimension上移動；因為在word embedding裡面，不同dimension是independent的，他們是互相獨立的，不會出現有兩個相同的pattern的情況，所以在這個方向上面移動的filter是沒有意義的
所以這又是另外一個例子，雖然大家覺得CNN很powerful，你可以用在各種不同的地方，但是當你應用到一個新的task的時候，你要想一想這個新的task在設計CNN架構的時候，到底要怎麼做
Conclusion
本篇的重點在於CNN 的theory base，也就是What is CNN? What does CNN do? Why CNN? 總結起來就是三個preperty，兩個架構和一個理念，這也是用CNN的基礎:
三個Property:
Some patterns are much smaller than the whole image (property1)
The same patterns appear in different regions (property2)
Subsampling the pixels will not change the object (property3)
兩個架構:
Convolution 架構: 針對 property 1 和 property 2
Max pooling 架構: 針對 property 3
一個理念:
針對不同的application要設計符合他特性的network structure，而不是生硬套用，這就是CNN架構的設計理念: 應用之道，存乎一心
