爱刨根知识网

  1. 首页 > 经验知识 > >

利用神经网络加速AI的力量

生活经验知识分享


使用图灵测试作为预选赛 ， 人工智能(AI)被定义为一种软件解决方案 ， 可以与人为领域的专家相提并论 。当IBM的Watson系统与前Jeopardy冠军一起玩Jeopardy时 ， 世界上很多地方都看到了AI的第一个真实例子 。现在 ， 深度学习使解决方案能够与医生相媲美地解释MRI图像 ， 并与人类驾驶员相媲美地操作公共汽车(例如 ， 拉斯维加斯自动驾驶班车) 。
机器学习(ML)是AI的基本基础 ， 它由用于构建AI解决方案的算法和数据集组成 。为了创建可以通过图灵测试的真实AI系统 ， ML子集必须通过新数据集和算法的不断开发而不断得到改进 。尽管ML工具箱中已有许多种不同的算法 ， 但数十年来 ， 由于具有大量标注的数据 ， 深度学习和神经网络算法才在性能上取得了重大飞跃 ， 直到最近(大约2014年)用于培训和低成本计算和存储的设备 。
【利用神经网络加速AI的力量】由于计算 ， 存储和分布式计算基础架构的快速改进 ， 机器学习已发展成为更复杂的结构化模型 ， 例如深度学习(DL) ， 生成对抗网络(GAN)和强化学习(RL)–全部使用神经网络 。监督神经网络是一种算法 ， 可以在经过标记数据训练后 ， 根据图像或模式识别来区分和做出判断 。神经网络的概念已经存在了40多年了 ， 但是在2014年左右 ， 深度学习和神经网络开始扰乱不同的细分市场 ， 使我们更接近通过图灵测试 。得益于今天的数据收集功能和大量的数据 ， 神经网络是成功执行ML的驱动趋势之一 。
深度学习是指一组基于人工神经网络的ML模型 ， 该模型模仿神经元和人脑神经网络的工作机制 。流行的神经网络模型有两种：卷积神经网络(CNN)模型和递归神经网络(RNN)模型 ， 该模型广泛用于与图像相关的各种应用中 ， 例如自动驾驶 ， 机器人 ， 图像搜索等 。它可以为大多数基于自然语言处理(NLP)的文本或语音应用程序提供支持 ， 例如聊天机器人 ， 虚拟家庭和办公室助手以及同声传译器 。
生成对抗网络(GAN)是一种ML技术 ， 由两个深度神经网络在零和游戏框架中相互竞争组成 。GAN通常以无人监督的方式运行;因此 ， 它可以帮助减少深度学习模型对标记训练数据量的依赖性 。
NLP是另一个推动机器学习进步的算法趋势 ， 特别是在虚拟家庭和办公室助手领域 。与神经网络类似 ， NLP是基于算法的基于语音和单词的识别 。随着越来越多的AI公司采用这些趋势并在其ML基础之上执行 ， 它们将会成功 。

    推荐阅读


    上一篇：黄腰柳莺一年繁殖几次

    下一篇：查妇科怎么就查到出轨了 查支付宝能查出轨吗