<blockquote>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。<br>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;深度学习的概念由Hinton等人于2006年提出。基于深度置信网络(DBN)提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。<br>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;深度学习是机器学习中一种基于对数据进行表征学习的方法。观测值（例如一幅图像）可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务（例如，人脸识别或面部表情识别）。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。 深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。<br>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;同机器学习方法一样，深度机器学习方法也有监督学习与无监督学习之分．不同的学习框架下建立的学习模型很是不同．例如，卷积神经网络（Convolutional <blockquote>这一类别下的企业主要从属于各行业的垂直细分行业，他们利用图像处理技术应用到各种具体的实际应用中，例如面部识别、图片识别、图像检索等等。在Venture&nbsp;Scanner统计的176家企业中，这一类别的融资金额达6．44亿美元。</blockquote> <blockquote>这一类型的企业主要提供分析图像采集和识别相关信息的底层支持技术解决方案，例如图像搜索平台的搭建等等。在Venture&nbsp;Scanner统计的166家企业中，这一类别的融资金额达7．99亿美元。</blockquote> <blockquote>这一类型的企业主要专注于算法的开发研究，旨在实现通过已有数据进行学习，包括搭建用于预测用的数据模型、分析行为数据等等。在Venture&nbsp;Scanner统计的180家企业中，这一类别的融资金额达10亿美元。</blockquote> <blockquote>这一类型的公司研发和搭建的算法主要用于处理人类语言输入，并将其转化为多种其他的表现形式，例如语音与文字的双向转换等等。在Venture&nbsp;Scanner统计的232家企业中，这一类别的融资金额达11亿美元。</blockquote> <blockquote>这一类型的公司研发能够处理人类语音并准确识别其含义的技术产品，例如通过接收语音指令实现要求的相关操作等。在Venture&nbsp;Scanner统计的120家企业中，这一类别的融资金额达5．62亿美元。</blockquote> <blockquote>这一类型的公司主要研发能够利用经验学习并可以根据周围环境变化进行自主活动的机器人，例如家用机器人、销售机器人等等。在Venture&nbsp;Capital统计的103家企业中，这一类别的融资金额达11亿美元。</blockquote> <blockquote>这一类型的公司主要研发能够基于用户指令完成日常任务与服务的助理软件，例如个人助理APP和网络客服等等，帮助企业管理产品售后服务或负责管理私人日程安排等。在Venture&nbsp;Capital统计的130家企业中，这一类别的融资金额达5．7亿美元。</blockquote> <blockquote>这一类型的公司主要研发可以让用户通过手势与计算机交互的技术，例如让用户通过肢体动作控制游戏角色或者其他应用产品。在Venture&nbsp;Capital统计的55家企业中，这一类别的融资金额达6．3亿美元。</blockquote> <blockquote>这一类型的公司主要研发能够自动感知周围环境（位置、方向、光度、温度等）并基于感知到的信息进行自身调整的软件。在Venture&nbsp;Capital统计的33家企业中，这一类别的融资金额达1．31亿美元。</blockquote> <blockquote>这一类型的公司主要研发可将视频内容样本与源内容文件进行比较识别的技术，可以应用于识别用户上传视频与版权视频文件比较以检测是否侵权。在Venture&nbsp;Capital统计的20家企业中，这一类别的融资金额达0．82亿美元。</blockquote> <blockquote>这一类型的公司主要研发可以识别人类语音并实时从一种语言翻译至另一种语言的技术，如视频谈话、网络研讨会或者网络直播的实时翻译。在Venture&nbsp;Capital统计的19家企业中，这一类别的融资金额达0．34亿美元。</blockquote>

现如今，给照片着色通常是在 PS 中手工完成的。如果想知道这个着色的过程背后的工作有多么不容易，来看看下面一段视频就知道了：

所以说，如果要给一幅照片着色的话，短时间内是不可能完成的。它需要广泛的研究，要知道，单是一张脸的着色，就需要多达20层粉色、绿色和蓝色的色调才能使照片拥有恰到好处的效果。

现在，我要介绍的这个简单的神经网络——Inception Resnet V2，已经训练了120万张图像，可以帮助我们完成着色的任务。为了能够实现着色，我们将用 Unsplash 的肖像来训练这个神经网络。

在本节中，我将就如何渲染图像、数字颜色的基础知识以及神经网络的主要逻辑进行概述。

黑白图像可以用像素网格表示，每个像素都有与其亮度相对应的值。这些值的范围是0~255，对应的是从黑到白。

彩色图像是由三层组成：红色层、绿色层和蓝色层。你可以想象一下，在白色背景上将绿叶分成三个通道。直觉上，你可能会认为植物只存在于绿色层中。

但是，如下图所示，叶子在所有三个通道中都存在。这些层不仅决定了颜色，还决定了亮度。

例如，要得到白色，你需要所有的颜色均匀分布。通过增加等量的红色和蓝色，会使绿色变得更亮。因此，彩色图像使用三层来对颜色和对比度进行编码：

和黑白图像一样，彩色图像中的每一层，也有0~255的值。值0表示这个层中没有颜色。如果像素网格所有颜色通道的值都为0，那么这个图像像素就是黑色的。

神经网络在输入值和输出值之间创建了一种关系。为了能够更为准确地完成着色任务，网络需要找到能够将灰度图像和彩色图像联系起来的特征。

总的来说就是，我们需要找到能够将灰度值网格链接到三个颜色网格的特征。

现在，随着数据集的增加，由于我们处理的是高分辨率图像，因此我们需要更多的计算能力。为此，我个人更喜欢使用 Deep Cognition 的 Deep Learning Studio jupyter notebooks，它为Amazon 的深度学习示例提供了GPU，可用来训练模型。

如果你不熟悉如何使用Deep Learning Studio，可以看看以下这些资料：

1.0/255 表示我们使用的是 24 位 RGB 颜色空间，这意味着我们为每个颜色通道使用 0 ~ 255 之间的数字。这将会产生 1670 万种颜色的组合。

而人类只能感知 200 ~ 1000 万种颜色，因此，使用再大的颜色空间并没有多大意义。

与 RGB 颜色空间相比，LAB 颜色空间具有不同的范围。在 LAB 颜色空间中，颜色光谱 ab 范围从-128~128。通过将输出层中的所有值除以 128，将色谱范围限制在 -1 ~ 1 之间。

将它与神经网络相匹配，神经网络也返回 -1 ~ 1 之间的值。

在使用 rgb2lab 函数转换颜色空间之后，我们选择灰度层：[:,:,0]，这是对神经网络的输入。[:,:,1:] 选择两个颜色层：绿-红和蓝-黄。

神经网络进行训练后，做出最终的预测，并将其转化为图像。

在这里，我们使用一个灰度图像作为输入，并通过训练好的神经网络来运行它。我们取在 -1 ~ 1 之间所有的输出值，然后乘以 128，就得到了 Lab 色谱中正确的颜色。

最后，用 三层 0 填充得到一个黑色的 RGB 画布。然后从测试图像中，复制灰度图层。然后将这两个颜色层添加到 RGB 画布上。再将这个像素值数组转换为图片。

4 个帖子获得 4 次感谢
4 个帖子获得 4 次感谢	AI做的小纸盒（附件，尺寸：长173*宽131*高243mm），现在要做个产品外纸箱（10个这样的小盒装里面，5盒5盒平辅放置），想请问各位大神，外纸箱的尺寸应该要怎么计算？每个小盒之间是否要留多少间隙的？盼大神解答，万分感谢！ 如果成品出来的话，你可以弄10个成品摆一下，量一下长宽高，然后报给做纸箱的，说这个内径，做纸箱的就懂用什么材料扩多少，你所说的外纸箱尺寸应该是默认指的是外径，这个跟材料的厚度关系很大 如果没成品的话报内盒用料跟装法，理论做纸箱的也可以做出来，不过风险比较高，最好还是等成品出来后先做一个来试装比较好