深度学习|“深度学习”是指一组机器学习技术，它扩大了计算机视觉可以解决的问题范围机器学习|计算机视觉|软件

文章图片

文章图片

文章图片

深度学习扩大了计算机视觉可以解决的问题范围。在这里， “深度学习”是指一组机器学习技术，特别是神经网络，它可以学习具有多个抽象级别的数据的有效表示为三十。请注意与传统机器学习的对比，其中表示是通过特征工程手动设计的。在深度学习中，学习可以是有监督的，也可以是无监督的。最成功的监督方法是试图在带注释的数据集上最大化性能。

无监督方法用于在压缩到低维空间后重建原始数据。尽管这些技术已经以数学形式存在了几十年从那时起，可以通过深度学习解决的各种问题大幅增加。此外，计算机硬件和深度学习框架的改进使这些工具能够触手可及典型的软件开发人员。虽然深度学习主要用于商业应用，但它现在开始出现在物理、化学、医学和生物科学中，并应用于图像和其他数据类型。

鉴于观察在生物科学中发挥的核心作用，深度学习有可能彻底改变对生命系统内部运作的理解。事实上，目前正在发生“淘金热” ，许多团体寻求将这些方法应用于他们的数据，以提取新的生物学见解。尽管如此，深度学习尚未在整个生命科学和医学科学中得到广泛采用。重要的是，上面提到的许多软件工具还没有深度学习功能。科学家认为，要让深度学习真正改变生命科学，它的应用需要像搜索一样常规化。

在整个生物实验室传播深度学习的障碍既有文化上的，也有技术上的。数学使深度学习算法的一些内部工作变得不透明；深度学习的独特要求需要以不同的方式思考编写软件。具体来说，对注释数据的需求意味着必须联合开发数据和软件——一种最近称为软件的方法。深度学习所需的数据量和计算资源构成了采用的重大障碍，优化模型性能和解释深度学习模型所学知识所需的知识也是如此。

为了充分利用这些工具的全部功能，生命科学家必须熟悉它们，以增强他们现有的工作流程并为当前无法预见的分析奠定基础。通过关注定量细胞生物学中常见的用例，本评论作为深度学习分析生物图像的实用介绍。它建立在先前对深度学习和生命科学交叉点的评论的基础上，通过讨论科学家实验室在将这些方法应用于细胞成像数据方面的共同经验，旨在使这些方法对新采用者不那么不透明。

首先，回顾了深度学习的实际机制，包括数学基础、神经网络架构的最新进展以及现有的软件框架。接下来，概述了认为有效的、实验室规模的深度学习解决方案的关键组成部分。然后，回顾了四个用例：图像分类、图像分割、对象跟踪和增强显微镜。对于每个用例，都涵盖了问题规范、算法和生物应用领域的现状以及公开可用的数据集。最后，分享了实验室在将这些方法应用于生物数据时学到的一些经验教训，并为未来的工作提出了建议。

【深度学习|“深度学习”是指一组机器学习技术，它扩大了计算机视觉可以解决的问题范围】在深度学习中，算法完全从数据中学习给定任务的有效表示。介绍了深度学习模型训练的数学基础，给出了故障排除建议，给出了常用术语的词汇表。因为最成功的解决方案已经通过监督，相信将深度学习成功应用于生物图像分析有三个基本组成部分：构建相关和带注释的训练数据集，在该数据集上有效训练深度学习模型，以及在新数据上部署训练模型。