验证码识别

SixRC

经过今天的玩耍(测试)得出
验证码的自动识别命中率可以达到91.2%

细琐过程

所以深度学习真香
明天也要多多学习啊!
溜了溜了

刺夜之枪

我自己手动输验证码10次都才过一次

myownroc

给大佬跪了- -
卷积神经网络是自己实现的吗？还是调的开源库……

ppspssss

听說数据多了比人还準, 不过我覺得这功能放在遊戏AI更好,反正没人制作这种AI , 有了就不用跟真人玩了

yang1zhi

抢到黑市有怎么样
买了个刹那芳华
学到个已经学会的奥义
加的属性还没有原来的高

RyanBern

无端黑深度学习一把！

我老师说了，深度学习 2020 年不凉的话 2021 年准得凉。

深度学习的参数多少跟你头发多少成正比。当你变凸的时候你才是真正的神人。

用深度学习不能看病，尤其是做图像补全。想象一下人脑部成像有一块看不清，深度学习会很聪明地把缺的那块用正常人的脑图像填补上，可踏马万一这是个病人呢？深度学习的数据源永远是正常人的数据多啊！

P1 的验证码是给人看的吗？o和0，X和H，我觉得认不准才是人吧。

SixRC

RyanBern 发表于 2019-4-1 10:35
无端黑深度学习一把！

我老师说了，深度学习 2020 年不凉的话 2021 年准得凉。

我要挺一把!
毕竟不能要求一个领域把所有功能实现啊
能实现一些不就很有意义了吗!
并不是它火所以去学 而是它有用吧

脑成像我不懂
不过感觉肯定可以做更好啊
首先它只是作为参考 无中生有还得必须准吗
其次 它补全是凭它的"经验"
所以只要数据源够多
它也不会乱补全啊
都是模式匹配 病人和正常人一般匹配不到一块去吧!

参数的事情 其实我觉得现在的基础理论已经挺好的了
不能瞎试
深度学习你得脑补一下各个网络层你想让它干嘛
参数的多少和问题的难度以及数据源的多少有关
其他一些因素也是 必然不是没有原因的
不能因为要多试试就说想搞好它必须秃
想实现一些日常基本的功能还是很好实现的
我觉得那就是最有意义的了

我觉得以后可能它不那么火了
但是那绝对不能叫凉
凉那是这个东西压根是噱头是屁是骗人是假大空
它不是 它可有用的
而有用的东西总会被人念着的
是不会die的

ps 有些"x"其实是% 因为像素少所以圈圈变点了
当然0o我也不知道是个啥
我感觉那9%没识别一大部分算它的

RyanBern

SixRC 发表于 2019-4-1 11:25
我要挺一把!
毕竟不能要求一个领域把所有功能实现啊
能实现一些不就很有意义了吗!

凉的意义并不是假大空，是骗人的，是特技。
而是人们对他的兴趣和热情，以及能挖掘出来的东西多少。

我的那个老师是搞 PDE 搞流体的，入门门槛之高（需要懂数学和物理和计算机），代码维护难度之大（使用万恶的 Fortran），发表文章之艰难（据说某组所有研究生都没有人有一篇投出去并接受的文章）。这本来是我们这个专业的大头，但是到了今年大家都不去学了，90% 的人都在深度学习。你说 PDE 计算流体有没有用？没有了它你怎么造飞机造火箭，可是没人学，所以就凉了。我那个老师心痛啊，所以才四处寻求安慰。因此他对深度学习敌意很大的（废话，被抢了饭碗）。

至于看病这个，我和一些本科生大佬们讨论过，数据源越多只能让它越确信补全成正常人的是对的。至于理论方面，我们一直都认为理论基础非常薄弱，至今解释不清为什么 work，其实是他没有理论实际效果还那么好，让我们这些人很酸（

百里_飞柳

RyanBern 发表于 2019-4-1 11:49
凉的意义并不是假大空，是骗人的，是特技。
而是人们对他的兴趣和热情，以及能挖掘出来的东西多少。

太真实了，很多方向的传统方法都被深度学习击溃了
图形学重灾区的路过

毕竟它是靠从大数据中提取统一特征，那么如果你全是正常人的样本，当然只能补出正常人的图像
比如纹理补全，也都是依据空洞周围像素信息与从训练数据中学到的特征来无中生有的，其实人脑也是这样啊，会自动用以往的经验来想象空洞处的信息
但是如果你用的有问题的测试数据去试，一开始也不说空洞处可能是啥，人自己也不知道到底该补成啥样

现在更多的还只是对它的应用进行扩展，理论的确只能靠国外大牛……

SixRC

RyanBern 发表于 2019-4-1 11:49
凉的意义并不是假大空，是骗人的，是特技。
而是人们对他的兴趣和热情，以及能挖掘出来的东西多少。

受教了

唉 跟风真挺不好的

我的理解是这样的
一个东西它可能一段时间不那么热
其实并不是真凉了 而是遭遇了瓶颈
等时机成熟了它还是会大放光彩的
只有当它彻底无用了才会彻底被人淡出视野

不过有些东西虽然有用 却并非日常的实用
太过专业化 所以很难热起来吧
有些事情也没法强求

我的本意只是 深度学习对日常还是挺有帮助的
然后多学习多了解能有更多解决问题的经验
并没有针对深度学习 而是真的想说
了解的多 思路就开阔

热或凉 没那么多实际意义
学了的东西 它总归不会辜负你的

(我还是想说 假如补全效果不好 肯定是数据不好 大概率是数据的代表性不好 数据绝对不能乱喂)
(深度学习其实就是把数据筑成经验)
(所以数据不好 和实际输入不匹配 网络效果极差)
(感觉人学习也是一个道理 做的题目都是初中的 让你考高考 肯定得崩 有时候没法那么细分 表现的不明显 但是训练样本和实际样本肯定不匹配)
(去吃饭了 上课要迟到了)