机器学习、深度学习和神经网络有哪些不同的使用领域？深度学习之后的下一步会是什么?

SQuAD 2.0 数据集 介绍 斯坦福问答数据集（SQuAD）是一种阅读理解数据集，由人文工作人员基于一组Wikipedia文章上提出的问题组成，其中每个问题的答案对应阅读的文章的一段文本或跨越文本的几段文本，也可能没有答案。 SQuAD 2.0 将 SQuAD 1.1 中的100,000个问题与超过50,000个无法回答的问题结合，其中，这50，000个问题是由工作者编写成看起来类似于可回答的问题。 为了在SQuAD2.0上表现出色，系统不仅必须在可能的情况下回答问题，而且还必须确定该段落何时不支持任何回答并放弃回答。 内容 包含两个文件 dev-v2.0.json train-v2.0.json 转载https://rajpurkar.github.io/SQuAD-explorer/

FaceScrub数据集 具有530人的超过100,000张面部图像的数据集 大型面部数据集对于推进面部识别研究很重要，但构建起来却很繁琐，因为清理大量的原始数据需要进行大量工作。为了简化此任务，我们开发了一种构建面部数据集的方法，该方法可检测互联网上搜索公共人物后返回的图像中的面部，然后自动丢弃不属于每个被查询者的面部。 使用这种方法创建了FaceScrub数据集，然后手动检查并清洗结果。它总共包含106,863张男女530位名人的面部图像，每人约200张图像。因此，它是最大的公众数据库之一。 这些图像是从Internet上检索的，并且是在实际情况下（不受控制的条件）拍摄的。包括面部的名称和性别注释。 FaceScrub Male Female Total people 265 265 530 images 55,306 51,557 106,863 该数据集是在知识共享许可下发布的。请注意，由于我们不拥有内容（自述文件中的更多详细信息），因此只能提供图像的URL（以及注释）。 转载http://vintage.winklerbros.net/facescrub.html

WBC图像数据集 介绍 这是白细胞（WBC）图像的两个数据集，用于“通过自我监督学习对白细胞图像进行快速分割和鲁棒分割”，可用于评估细胞图像分割方法。 这两个数据集在图像颜色，单元格形状，背景等方面存在明显差异，可以更好地评估WBC分割方法的鲁棒性。 Ground Truth分割结果由领域专家手动绘制，其中核，细胞质和背景（包括红细胞）分别标记为白色，灰色和黑色。还通过一定的方法提交了分割结果，其中整个WBC区域用白色标记，其他区域用黑色标记。 内容 数据集由一百张300×300彩色图像组成，细胞图像通常是紫色的，并且在白细胞周围可能包含许多红细胞。 数据集中的每个图像的类标签显示在数据集2.csv的类标签中。标记（1-5）分别代表嗜中性粒细胞，淋巴细胞，单核细胞，嗜酸性粒细胞和嗜碱性粒细胞。 转载https://github.com/zxaoyou/segmentation_WBC

IIIT 5K-Word数据集 介绍 IIIT 5K-word数据集是从Google图像搜索中通过使用广告词，广告牌，门牌号，门牌号，电影海报等查询词来收集图像获得的。 数据集包含来自“场景文本”的5000个裁剪的单词图像和原始数字图像。 数据集分为训练部分和测试部分。 该数据集可用于大型词典裁剪单词识别。 我们还为该数据集提供了超过50万个词典单词的词典。 内容 裁剪的单词图像分为训练集和测试集 有效数据注释，中小型词典 带有50万个单词的词汇（摘自Weinman等，2009） 字符边界框级别的注释 用于计算语言优先级的词典在lexicon.txt文件中，与基于大型词典的识别结果进行比较时，请使用此词典。 用法 （1）如何加载测试数据信息 （用法：不区分大小写的小/中/大词典的裁剪单词识别） 打开Matlab 加载测试数据 将加载结构测试数据。此结构有四个字段： （a）ImgName:裁剪的单词图像名称。 （b）GroundTruth:指定的与裁剪单词相对应的GroundTruth文本 （c）smallLexi：包含每个图像50个单词的词典列表（小型词典）。 （d）mediumLexi：包含每个图像1000个单词的词典列表（中等大小的词典） （2）如何加载字符边框信息 （用法：区分大小写的字符检测/识别） 打开Matlab 加载testCharBound（或trainCharBound） 将加载结构testCharBound（或trainCharBound）。它包含三个方面： （a）ImgName单词图像名称 （b）字符字符串。 （c）charBB与char相同的字符边界框。边界框存储为[x y width height]。 例： 转载http://cvit.iiit.ac.in/research/projects/cvit-projects/the-iiit-5k-word-dataset

哪些数据更适合推入GAN，哪些数据更适合DCGAN？ DCGAN在较小的数据维度上能否更好地工作？