美娱logo
新闻中心

美娱国际稳定安全到底就是这么牛

美娱国际 发布时间:2017/9/10 10:48:50 点击量:

美娱国际稳定安全到底就是这么牛您可能已经注意到,我们的图表中缺少“深度学习”。这是因为它是上面讲到的递归神经网络和卷积神经网络的汇总类别。人工神经网络(ANNs)是自80年代以来的最高水平,并且一直是用于解决标准分类和回归问题的标准数据科学机器学习工具包的一部分。


最近发生的事情是,我们大量增加并行处理,使用GPU(图形处理单元)美娱平台 而不是传统的英特尔芯片,允许我们美娱平台实验的ANN有几十个甚至超过一百个隐藏层的版本。这些隐藏层就是我们为什么将这些类型成为“深度”的原因,因此也就成了“深度学习”的说法。添加隐藏层意味着乘法计算的复杂性,这就是为何我们不得不等待硬件赶上我们的雄心。


至少有27种不同类型的ANN,但最重要的是卷积神经网络(CNN)和递归神经网络(RNN),没有它们,图像识别和自然语言处理将是不可能的任务。


数据科学的简要讨论


要公正对待这些基础数据科学技术,就需要阅读多篇文章。在本文中,我们将给你最简略描述,以及一些能查看更为完整信息的链接。


卷积神经网络(CNN): CNN是所有类型的图像和视频识别、面部识别、图像标记的核心,并可在帮助自动驾驶在行人中识别停车标志。它们非常复杂,难以训练,而你不需要指定具体的功能(像猫有毛皮、尾巴、四条腿等那样),你需要在一个CNN上按字面意思展示数百万猫科的示例就可以成功。海量的训练数据是一个巨大的障碍。有关CNN的更多信息,请查看深度学习的大败笔:正确答案,错误原因。


递归神经网络(递归): RNN是自然语言处理(NLP)的中心,也是游戏和类似的逻辑问题的中心。与CNN不同,它们将信息处理为时间序列,其中每个随后的数据片段在某种程度上依赖于之前的片段。它可能不明显,但语言属于此类别,因为下一个字符或下一个字在逻辑上与前一个字符相关。RNN可以工作在字符、字或甚至长段级别,这使得它们能够完美提供可预期的长篇回答您的客美娱平台户服务问题。RNN处理文本问题的理解以及形成复杂的响应,包括翻译成外语。计算机能够赢得国际象棋和围棋,RNN功不可没。阅读这篇文章递归神经网络:AI凳子的第三条最不明显的腿来查看更多关于RNN的参考信息。


生成式对抗神经网络(GANN): CNN和RNN都受到同样问题的困惑,即需要庞大的、繁重的数据量以便训练,要么识别停车标志(图像),要么了解如何回答您关于如何打开该帐户(语音和文本)的问题。GANN能够保证显著减少训练数据并提高精度。他们通过互相较量。这里有一个好故事,关于训练卷积神经网来识别假法国印象派的艺术赝品。简而言之,一个CNN被真正的法国美娱平台印象派画作来训练,所以它应该认识真品。其他对抗性CNN,称为生成式对抗神经网络,实际上被赋予创造印象派绘画赝品的任务。


CNN通过将像素值转换为复杂的数值向量来执行图像识别的任务。如果你向后运行它们,那就是从随机数值向量开始,它们可以创建一个图像。在这种情况下,NN生成赝品创造图像,美娱平台试图欺骗尝试学习如何检测赝品的CNN。他们互相较量,直到生成器(赝品制造者)产生的图像如此完美,以至于CNN无法将它们从原件和已经扳平的两个对抗网络区分出来。同时,设计用于确定来自赝品的原件的CNN已经在检测赝品方面进行了极好的培训,而没有对数百万伪造的法国印象派大师进行训练这一不切实际的要求。总之,它们就是从其所在的环境中学习。


问答机(QAM): QAM,是我们为像IBM的Watson之类起的一个相当不起眼的名字。这些都是海量知识库,经过训练,可以在其知识库中找到独特关联,并为它们以前从未见过的复杂问题提供答案。当普通搜索返回您潜在答案的列表时,QAM必须返回单一的最佳答案。


这是一个NLP和复杂搜索的混搭,其中QAM构建关于问题的可能含义的多个假设,并且基于加权证据算法返回最佳响应。


QAM需要人类加载大量关于需要研究的主题的数据,并且人类必须训练并维护知识库。然而,一旦建立完成,它们已被证明是在癌症检测(与CNNs结合)领域的专家、医学诊断、发现材料和化学品的独特组合,甚至教高中学生如何编程。总之,无论有大量的知识需要专家解释,QAM可以是大脑或至少是我们AI的关联记忆。查阅这三篇文章:Watson究竟是什么?、最新的Watson能够做什么?以及使用Watson启动新的AI业务和服务30个有趣的想法可以看到一些优秀的参考。

美娱国际http://www.meiyugj.cn/出品


标签:美娱国际  美娱国际注册  美娱国际登录  

上一篇:美娱国际脸谱注册登陆

下一篇:从“阿尔法狗”打败柯洁之后

友情连接:美娱国际 | 新火巅峰 |
版权所有 美娱平台美娱注册1970