日B视频 亚洲,啪啪啪网站一区二区,91色情精品久久,日日噜狠狠色综合久,超碰人妻少妇97在线,999青青视频,亚洲一区二卡,让本一区二区视频,日韩网站推荐

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評(píng)論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫(xiě)文章/發(fā)帖/加入社區(qū)
會(huì)員中心
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識(shí)你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

院士鄔賀銓?zhuān)荷疃壬窠?jīng)網(wǎng)絡(luò)實(shí)際上是個(gè)分類(lèi)器

電子工程師 ? 來(lái)源:lq ? 2019-01-06 11:12 ? 次閱讀
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

中國(guó)日?qǐng)?bào)網(wǎng)與網(wǎng)易傳媒共同舉辦的2019影響力峰會(huì)在北京召開(kāi),首屆影響力峰會(huì)的主題為“預(yù)見(jiàn)未來(lái)”。會(huì)上,中國(guó)工程院院士鄔賀銓擔(dān)任“預(yù)見(jiàn)科技未來(lái)”發(fā)布人,發(fā)表了主題為“迎接人工智能的未來(lái)”的演講。

鄔賀銓院士稱(chēng),人工智能技術(shù)現(xiàn)在可以做的事情很多,對(duì)經(jīng)濟(jì)效益也有很大的貢獻(xiàn)。目前來(lái)看,AI應(yīng)用效果比較好的領(lǐng)域有三個(gè),一是醫(yī)療保健,二是汽車(chē),三是金融服務(wù)業(yè)。

不過(guò),鄔賀銓院士也同時(shí)指出,目前機(jī)器學(xué)習(xí)還有很多不足,一個(gè)諾貝爾獎(jiǎng)經(jīng)濟(jì)學(xué)獎(jiǎng)得主(Judea Pear)說(shuō)“人工智能不過(guò)是統(tǒng)計(jì)學(xué)”,還是有很多不足的地方。

對(duì)于人工智能下一步如何進(jìn)化,鄔賀銓院士引用清華大學(xué)張鈸院士的觀點(diǎn)說(shuō),我們要把感知和認(rèn)知放到同一個(gè)空間里,不是簡(jiǎn)單用概率統(tǒng)計(jì)的理論,要用模糊級(jí)的理論來(lái)重新定義它?;蛘?,發(fā)展群體智能。

鄔賀銓院士在演講中表示,互聯(lián)網(wǎng)已經(jīng)是第50年了,50年的互聯(lián)網(wǎng)到現(xiàn)在還保持互聯(lián)網(wǎng)流量年增60%,這些增速也會(huì)對(duì)未來(lái)人工智能技術(shù)的發(fā)展有很大的影響。“人工智能會(huì)使得我們的生活更美好,或是走到我們的反面,這一切取決于人類(lèi)自己?!编w賀銓說(shuō)到,人工智能永遠(yuǎn)在路上,這也就是人工智能的魅力。(小羿)

以下為鄔賀銓院士演講實(shí)錄(網(wǎng)易智能做了不改動(dòng)原意的整理):

各位領(lǐng)導(dǎo)、各位專(zhuān)家早上好。我發(fā)言的題目是“迎接人工智能的未來(lái)”。

我們可以看看支撐人工智能發(fā)展的技術(shù),比如CPU的芯片、存儲(chǔ)器、光纖、移動(dòng)通信、超算、大數(shù)據(jù)??用十年的時(shí)間來(lái)看,有些是60多倍,有些是成本兩萬(wàn)倍下降,光纖通信10年100倍容量提升,移動(dòng)通信10年1000倍的速率提升,超算能力1000倍的提升,算法我在這里沒(méi)寫(xiě),但等會(huì)兒會(huì)說(shuō)到,大數(shù)據(jù)量大概是32倍的提升。這是前幾年統(tǒng)計(jì)下來(lái)的網(wǎng)絡(luò)主要設(shè)備年均性能改進(jìn)的增速。

互聯(lián)網(wǎng)已經(jīng)是第50年了,50年的互聯(lián)網(wǎng)到現(xiàn)在還保持互聯(lián)網(wǎng)流量年增60%,這些增速也會(huì)對(duì)未來(lái)人工智能技術(shù)的發(fā)展給予很大的影響。

01

深度神經(jīng)網(wǎng)絡(luò)實(shí)際上是個(gè)分類(lèi)器

現(xiàn)在深度神經(jīng)網(wǎng)絡(luò),就算你寫(xiě)本書(shū)告訴計(jì)算機(jī)什么是貓什么是狗,它也學(xué)不會(huì),但如果像對(duì)待人類(lèi)小孩的教學(xué)方式那樣,感性地把一堆貓和狗的視頻送到深度神經(jīng)網(wǎng)絡(luò),它就會(huì)分類(lèi),分類(lèi)結(jié)束后,如果照片視頻上有標(biāo)簽,它就會(huì)知道分的這類(lèi)是貓。如果籃子里有個(gè)小狗,放進(jìn)去,它照樣會(huì)分類(lèi)為“狗”。所以深度神經(jīng)網(wǎng)絡(luò)實(shí)際上是個(gè)分類(lèi)器,當(dāng)你告訴它是什么,它就學(xué)會(huì)了。

機(jī)器學(xué)習(xí)是深度神經(jīng)網(wǎng)絡(luò)的主要技術(shù),從近10年里機(jī)器學(xué)習(xí)的論文里可以發(fā)現(xiàn),現(xiàn)在機(jī)器學(xué)習(xí)的技術(shù)熱點(diǎn),可以看到神經(jīng)網(wǎng)絡(luò)和進(jìn)化編程等計(jì)算密集型算法在機(jī)器學(xué)習(xí)研究中的出色表現(xiàn)。

人每天吃飯大概要輸入2500卡路里的能量,卡路里換算成焦耳大概是1000萬(wàn)焦耳,下圍棋5個(gè)小時(shí)大概要消耗人類(lèi)3.3兆焦耳。AlphaGo跟李世石下棋時(shí)用了1000多個(gè)CPU,176個(gè)GPU,一個(gè)CPU功率100W,1個(gè)GPU200W,換算出來(lái)是173000W(這是以秒計(jì)的),如果5小時(shí)就是3000兆焦耳,這相當(dāng)于李世石用的能耗是AlphaGo能耗的千分之一,也就是說(shuō),人工智能目前還需要很大的能量支持。

后來(lái)隔了一年,改進(jìn)了AlphaGo Zero,換算成TPU,它只是AlphaGo原有1/12(能耗),用1/12的能耗跟AlphaGo下棋,100比0,當(dāng)時(shí)AlphaGo還要搜集所有的圍棋棋譜,然后訓(xùn)練三個(gè)月,AlphaGoZero只需要了解圍棋的規(guī)則,兩個(gè)AlphaGoZero互相對(duì)應(yīng),能把所有人類(lèi)沒(méi)有走過(guò)的棋譜都走完,它就能戰(zhàn)勝了。所以?xún)?yōu)化算法、改進(jìn)硬件,包括GPU替換CPU(提高了三倍),TPU替換GPU(提高了15到30倍)。

最近不單AlphaGo Zero圍棋天下無(wú)敵,而且通過(guò)自學(xué)2個(gè)小時(shí),還擊敗了日本的將棋(有點(diǎn)像中國(guó)的象棋),自學(xué)4個(gè)小時(shí),把國(guó)際象棋也全部打贏了。

02

人工智能能做的事情有太多

在醫(yī)學(xué)上,剛剛過(guò)去的三個(gè)月,谷歌在機(jī)器學(xué)習(xí)又開(kāi)發(fā)了Alpha Fold,Alpha Go的折疊,所謂折疊是來(lái)預(yù)測(cè)蛋白質(zhì)結(jié)構(gòu)的,在蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)的國(guó)際競(jìng)賽里,打敗了所有由人組成的各種團(tuán)隊(duì),這有什么意義?如果能解釋蛋白質(zhì)的結(jié)構(gòu),我們的很多疾病(包括癌癥)可能就會(huì)找到解決辦法。所以現(xiàn)在很多人工智能用在醫(yī)學(xué)上開(kāi)發(fā)藥物,美國(guó)人工智能能比醫(yī)生提早六年診斷出阿茲海默病,醫(yī)療人工智能的器械也開(kāi)始投入商用了。除此之外我們看一看蛋白質(zhì)折疊結(jié)構(gòu),我們可以通過(guò)人工智能將它解釋出來(lái)。

我們知道門(mén)捷列夫開(kāi)發(fā)元素周期表用了很長(zhǎng)時(shí)間,現(xiàn)在假設(shè)我們不知道元素周期表,利用人工智能程序,幾個(gè)小時(shí)就可以把元素周期表重新定義出來(lái)。也就是說(shuō),人工智能確實(shí)能做好多事。

語(yǔ)音識(shí)別方面,人工智能已經(jīng)超過(guò)了人,一般人類(lèi)語(yǔ)音識(shí)別的錯(cuò)誤率是5.1%,現(xiàn)在百度對(duì)漢語(yǔ)的語(yǔ)音識(shí)別,微軟對(duì)應(yīng)于的語(yǔ)音識(shí)別已經(jīng)比這個(gè)水平要高了。當(dāng)然,在嘈雜噪聲環(huán)境下,識(shí)別率現(xiàn)在也只有54%,不過(guò)人更識(shí)別不了,人還達(dá)不到這個(gè)水平。

包括人臉識(shí)別,中國(guó)上海依圖科技的人臉識(shí)別率在萬(wàn)分之一,誤失率前提下可以通過(guò)98%,銀行柜臺(tái)人員用肉眼比對(duì),誤差一般在1%,也就是說(shuō)機(jī)器準(zhǔn)確性是超過(guò)人的眼睛的。

當(dāng)然,動(dòng)態(tài)三維活體檢測(cè)更難,下面的圖是小布什的原相,右邊的小部什頭像和原圖一樣,但嘴型和上圖的胖子嘴型一樣,我們聽(tīng)不出胖子講什么,但小布什可以通過(guò)口形恢復(fù)出他講話的聲音,讀懂唇語(yǔ)。

我們知道張學(xué)友在好幾場(chǎng)演唱會(huì)上抓到了逃犯,這不是因?yàn)閺垖W(xué)友,而是演唱會(huì)門(mén)口的人臉識(shí)別門(mén)口。所以張學(xué)友說(shuō)“抓逃犯是我的正業(yè),唱歌只是副業(yè)”。

機(jī)器視覺(jué)應(yīng)用于什么?這是一個(gè)肺部CT照片,大家可以從中發(fā)現(xiàn)有沒(méi)有長(zhǎng)瘤子、有沒(méi)有癌癥,但CT可以掃描出幾百?gòu)垐D片,很麻煩。我們通過(guò)人工智能把這些CT照片還原成一個(gè)肺,看看有沒(méi)有纖維化,再看看肺周邊的器官怎么樣。

語(yǔ)音識(shí)別可以用于醫(yī)學(xué),還有圖像識(shí)別,可以重建三維影像,比如醫(yī)學(xué)教育,包括在增進(jìn)醫(yī)療手術(shù)的輔導(dǎo)可以起到很好的作用。

在產(chǎn)業(yè)上,清華和英業(yè)達(dá)合作(做影像電路板的),影像電路板很復(fù)雜,可以看看該連的線是不是連了,不該連的線是不是沒(méi)連,人的肉眼很容易錯(cuò)檢,但利用機(jī)器視覺(jué)就可以發(fā)覺(jué)人的肉眼沒(méi)法兒發(fā)現(xiàn)的問(wèn)題,每年的經(jīng)濟(jì)效益9000萬(wàn)。

03

看好AI在醫(yī)療保健、汽車(chē)和金融服務(wù)的應(yīng)用,但挑戰(zhàn)很大

人工智能對(duì)經(jīng)濟(jì)效益的貢獻(xiàn),有一些統(tǒng)計(jì),人工智能可以改進(jìn)勞動(dòng)生產(chǎn)率,可以激發(fā)消費(fèi)需求、可以提高產(chǎn)品質(zhì)量,有人預(yù)測(cè)2017到2030年,人工智能對(duì)勞動(dòng)生產(chǎn)率的貢獻(xiàn)超過(guò)GDP的55%,其中中國(guó)占了全球?qū)⒔话耄?030年人工智能會(huì)帶來(lái)7萬(wàn)億美元的GDP增長(zhǎng)貢獻(xiàn),占GDP的26.1%,這個(gè)數(shù)字來(lái)源于普華永道,這里面講了幾個(gè)領(lǐng)域,是最重要的人工智能應(yīng)用領(lǐng)域。

AI指數(shù)比較高的應(yīng)用效果比較好的領(lǐng)域是:一是醫(yī)療保健,二是汽車(chē),三是金融服務(wù)業(yè)。

自動(dòng)駕駛為例,麥肯錫估計(jì)2025年帶來(lái)的經(jīng)濟(jì)規(guī)模將達(dá)到萬(wàn)億美元,降低交通事故,每年能挽救3到15萬(wàn)人的生命,減少?gòu)U氣排放90%,麥肯錫還認(rèn)為到2030年人工智能可以為全球額外貢獻(xiàn)13萬(wàn)億美元的GDP增長(zhǎng),普華永道的估計(jì)是15.7萬(wàn)億,平均年均GDP會(huì)增加1.2%。后面那句話更重要:足以比肩19世紀(jì)的蒸汽機(jī)、20世紀(jì)的工業(yè)機(jī)器人和21世紀(jì)的信息技術(shù)。

自動(dòng)駕駛在簡(jiǎn)單路況中是好的,復(fù)雜路況就很難,因?yàn)樾腥撕退緳C(jī)不見(jiàn)到都遵守交通規(guī)則,很難用訓(xùn)練的辦法掌握,還需要駕駛員的經(jīng)驗(yàn)和知識(shí),而且人類(lèi)犯錯(cuò)是偶然的,機(jī)器一旦犯錯(cuò)可能就是系統(tǒng)性的。

人工智能可以檢測(cè)腫瘤,但醫(yī)院還不敢這么用,因?yàn)槿斯ぶ悄鼙旧砜梢愿嬖V你應(yīng)該做什么,但它不會(huì)告訴你為什么,比如人工智能診斷一個(gè)病人,最后得出結(jié)論“鋸掉一條腿”,但不告訴你為什么,那醫(yī)院敢鋸掉腿嗎?

還有很多功能是人工智能難以勝任的,神經(jīng)網(wǎng)絡(luò)是以輸入為導(dǎo)向的算法,首先的前提是大量數(shù)據(jù),而且數(shù)據(jù)要比較準(zhǔn)確,如果受了干擾他就很難,醫(yī)生受干擾可能會(huì)產(chǎn)生很多錯(cuò)誤,比如北加州一個(gè)組織(美國(guó)公民自由聯(lián)盟)利用亞馬遜面部識(shí)別算法把美國(guó)535位國(guó)會(huì)議員的照片和美國(guó)警察局掌握的2.5萬(wàn)名罪犯照片進(jìn)行比對(duì),發(fā)現(xiàn)28個(gè)議員被當(dāng)成了罪犯。分類(lèi)數(shù)據(jù)終美國(guó)的數(shù)據(jù)嚴(yán)重偏向白人男性,所以黑皮膚的可能就容易被錯(cuò)認(rèn)。

目前機(jī)器學(xué)習(xí)還有很多不足,圖靈獎(jiǎng)的獲獎(jiǎng)?wù)哒f(shuō),目前機(jī)器學(xué)習(xí)只是曲線的擬合,一個(gè)諾貝爾獎(jiǎng)經(jīng)濟(jì)學(xué)獎(jiǎng)得主(Judea Pear)說(shuō)“人工智能不過(guò)是統(tǒng)計(jì)學(xué)”,也就是說(shuō)目前還是有很多不夠的地方。

剛才我用的兩張圖映射的貓和狗的區(qū)別有個(gè)曲線,但只要擬合的地方稍微錯(cuò)一點(diǎn),可能就會(huì)發(fā)生錯(cuò)誤。比如本來(lái)是熊貓,在照片上加上一些噪音,機(jī)器就可能識(shí)別成長(zhǎng)臂猿,所以人工智能識(shí)別目前來(lái)講還是比較嬌氣的。

大家看這張圖,有人看是順時(shí)針轉(zhuǎn),有人看是逆時(shí)針轉(zhuǎn),哪怕是同一個(gè)人,一會(huì)兒看著是順時(shí)針轉(zhuǎn),眨眨眼睛卻變成了逆時(shí)針轉(zhuǎn),究竟是順還是逆?其實(shí)只是左腿在前還是右腿在前的問(wèn)題,是你的錯(cuò)覺(jué)。

為什么會(huì)出現(xiàn)這個(gè)錯(cuò)覺(jué)?因?yàn)樗锰幱谌斯ぶ悄鼙孀R(shí)(包括人辨識(shí))的分界線,這時(shí)就可能發(fā)生誤導(dǎo)。

比如這個(gè)圖里的圓圈,大家都覺(jué)得它是滾動(dòng)的、是圓的,可是真的是這樣嗎?每個(gè)球都這樣走嗎?不一定,我們可以看看。實(shí)際上每個(gè)球走的都是直線,所以人工智能的模型是會(huì)被誤導(dǎo)的。

這張圖中最后一個(gè)打問(wèn)號(hào)的地方應(yīng)該放(幾個(gè)數(shù)字),人很容易看出來(lái)應(yīng)該放哪個(gè),因?yàn)榈谝恍?32,第二行343,第三行應(yīng)該是454,可是人工智能就很難看出來(lái),因?yàn)槿斯ぶ悄芤@得人類(lèi)常識(shí)不是那么容易的。

04

人工智能的進(jìn)化與對(duì)就業(yè)的沖擊

當(dāng)然,神經(jīng)網(wǎng)絡(luò)現(xiàn)在還在演進(jìn),關(guān)鍵是怎樣選擇正確框架以及訓(xùn)練,清華大學(xué)的張鈸院士說(shuō)我們要把感知和認(rèn)知放到同一個(gè)空間里,不是簡(jiǎn)單用概率統(tǒng)計(jì)的理論,要用模糊級(jí)的理論來(lái)重新定義它,否則我們沒(méi)辦法跟機(jī)器人交流,機(jī)器人之間也沒(méi)辦法交流。

機(jī)器學(xué)習(xí)著重于通過(guò)數(shù)據(jù)了解環(huán)境,而人類(lèi)能夠同時(shí)洞悉不同的環(huán)境,群體學(xué)習(xí)是人類(lèi)與生俱來(lái)的本領(lǐng),而電腦是不具備的。我曾經(jīng)跟一個(gè)搞人工智能的公司說(shuō),識(shí)別語(yǔ)音、下圍棋都不算什么,能不能組織11人的機(jī)器人足球隊(duì),什么時(shí)候踢贏皇馬了,那你就算厲害了,因?yàn)?1人的機(jī)器人足球隊(duì)是要群體活動(dòng)的。

剛才談到就業(yè),實(shí)際上人工智能確實(shí)會(huì)取代很多現(xiàn)在的就業(yè),49%的勞動(dòng)人口可能會(huì)被取代,但一半以上的人是不會(huì)被取代的,因?yàn)槿斯ぶ悄軟](méi)有情感,有情感創(chuàng)作的文藝工作是不能被取代的,人工智能不能取代文藝,要由人來(lái)做。美國(guó)高德納咨詢(xún)公司以及世界經(jīng)濟(jì)論壇發(fā)布的《2018未來(lái)就業(yè)》報(bào)告中都說(shuō),實(shí)際上取代了一部分工作,但會(huì)新增一些工作崗位。人工智能會(huì)帶來(lái)數(shù)字鴻溝,發(fā)達(dá)國(guó)家、先進(jìn)企業(yè),還會(huì)拉大社會(huì)貧富懸殊,高智能崗位會(huì)增加,一般勞動(dòng)崗位會(huì)減少,自動(dòng)駕駛出了問(wèn)題是誰(shuí)的責(zé)任?機(jī)器人創(chuàng)作的小說(shuō)、詩(shī)歌是否享有相應(yīng)的知識(shí)產(chǎn)權(quán)?有法律道德的問(wèn)題,還有安全問(wèn)題,如果人工智能殺人了怎么辦?

最后,如政府規(guī)劃中所說(shuō)的那樣,加快發(fā)展新一代人工智能,是我們贏得全球科技競(jìng)爭(zhēng)主動(dòng)權(quán)的重要抓略抓手。

清華大學(xué)張鈸院士說(shuō),我們現(xiàn)在正在通往AI的路上,現(xiàn)在走得并不遠(yuǎn),在出發(fā)點(diǎn)附近,但人工智能永遠(yuǎn)在路上,大家要有思想準(zhǔn)備,而這也就是人工智能的魅力。

人工智能會(huì)使得我們的生活更美好,或是走到我們的反面,這一切取決于人類(lèi)自己。

聲明:本文內(nèi)容及配圖由入駐作者撰寫(xiě)或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場(chǎng)。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問(wèn)題,請(qǐng)聯(lián)系本站處理。 舉報(bào)投訴
  • 語(yǔ)音識(shí)別
    +關(guān)注

    關(guān)注

    39

    文章

    1825

    瀏覽量

    116257
  • 人工智能
    +關(guān)注

    關(guān)注

    1821

    文章

    50376

    瀏覽量

    267084
  • 分類(lèi)器
    +關(guān)注

    關(guān)注

    0

    文章

    153

    瀏覽量

    13849

原文標(biāo)題:院士鄔賀銓?zhuān)喝斯ぶ悄艿镊攘κ撬肋h(yuǎn)在路上

文章出處:【微信號(hào):smartman163,微信公眾號(hào):網(wǎng)易智能】歡迎添加關(guān)注!文章轉(zhuǎn)載請(qǐng)注明出處。

收藏 人收藏
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

    評(píng)論

    相關(guān)推薦
    熱點(diǎn)推薦

    為什么 VisionFive V1 板的 JH7100 中并存 NVDLA 引擎和神經(jīng)網(wǎng)絡(luò)引擎?

    我想知道為什么 VisionFive V1 板的 JH7100 中并存 NVDLA 引擎和神經(jīng)網(wǎng)絡(luò)引擎,請(qǐng)問(wèn)?您能否舉一些關(guān)于他們的用例的例子?
    發(fā)表于 03-25 06:01

    院士解讀:全球算力發(fā)展的現(xiàn)狀與趨勢(shì)

    近日,中國(guó)工程院院士、中國(guó)工程院原副院長(zhǎng)、廣東院士聯(lián)合會(huì)榮譽(yù)會(huì)長(zhǎng)作了題為“全球算力發(fā)展的現(xiàn)狀與趨勢(shì)”的主旨報(bào)告,詳細(xì)解讀了全球算力現(xiàn)狀
    的頭像 發(fā)表于 01-26 16:08 ?955次閱讀
    <b class='flag-5'>鄔</b><b class='flag-5'>賀</b><b class='flag-5'>銓</b><b class='flag-5'>院士</b>解讀:全球算力發(fā)展的現(xiàn)狀與趨勢(shì)

    神經(jīng)網(wǎng)絡(luò)的初步認(rèn)識(shí)

    日常生活中的智能應(yīng)用都離不開(kāi)深度學(xué)習(xí),而深度學(xué)習(xí)則依賴(lài)于神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)。什么是神經(jīng)網(wǎng)絡(luò)?神經(jīng)網(wǎng)絡(luò)的核心思想是模仿生物
    的頭像 發(fā)表于 12-17 15:05 ?492次閱讀
    <b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>的初步認(rèn)識(shí)

    自動(dòng)駕駛中常提的卷積神經(jīng)網(wǎng)絡(luò)個(gè)啥?

    在自動(dòng)駕駛領(lǐng)域,經(jīng)常會(huì)聽(tīng)到卷積神經(jīng)網(wǎng)絡(luò)技術(shù)。卷積神經(jīng)網(wǎng)絡(luò),簡(jiǎn)稱(chēng)為CNN,是一種專(zhuān)門(mén)用來(lái)處理網(wǎng)格狀數(shù)據(jù)(比如圖像)的深度學(xué)習(xí)模型。CNN在圖像處理中尤其常見(jiàn),因?yàn)閳D像本身就可以看作是由像素排列成的二維網(wǎng)格。
    的頭像 發(fā)表于 11-19 18:15 ?2279次閱讀
    自動(dòng)駕駛中常提的卷積<b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>是<b class='flag-5'>個(gè)</b>啥?

    CNN卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)原理及在MCU200T仿真測(cè)試

    數(shù)的提出很大程度的解決了BP算法在優(yōu)化深層神經(jīng)網(wǎng)絡(luò)時(shí)的梯度耗散問(wèn)題。當(dāng)x&gt;0 時(shí),梯度恒為1,無(wú)梯度耗散問(wèn)題,收斂快;當(dāng)x&lt;0 時(shí),該層的輸出為0。 CNN
    發(fā)表于 10-29 07:49

    NMSIS神經(jīng)網(wǎng)絡(luò)庫(kù)使用介紹

    NMSIS NN 軟件庫(kù)是一組高效的神經(jīng)網(wǎng)絡(luò)內(nèi)核,旨在最大限度地提高 Nuclei N 處理內(nèi)核神經(jīng)網(wǎng)絡(luò)的性能并最??大限度地減少其內(nèi)存占用。 該庫(kù)分為多個(gè)功能,每個(gè)功能涵蓋特定
    發(fā)表于 10-29 06:08

    在Ubuntu20.04系統(tǒng)中訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型的一些經(jīng)驗(yàn)

    本帖欲分享在Ubuntu20.04系統(tǒng)中訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型的一些經(jīng)驗(yàn)。我們采用jupyter notebook作為開(kāi)發(fā)IDE,以TensorFlow2為訓(xùn)練框架,目標(biāo)是訓(xùn)練一個(gè)手寫(xiě)數(shù)字識(shí)別的神經(jīng)網(wǎng)絡(luò)
    發(fā)表于 10-22 07:03

    CICC2033神經(jīng)網(wǎng)絡(luò)部署相關(guān)操作

    在完成神經(jīng)網(wǎng)絡(luò)量化后,需要將神經(jīng)網(wǎng)絡(luò)部署到硬件加速。首先需要將所有權(quán)重?cái)?shù)據(jù)以及輸入數(shù)據(jù)導(dǎo)入到存儲(chǔ)內(nèi)。 在仿真環(huán)境下,可將其存于一
    發(fā)表于 10-20 08:00

    液態(tài)神經(jīng)網(wǎng)絡(luò)(LNN):時(shí)間連續(xù)性與動(dòng)態(tài)適應(yīng)性的神經(jīng)網(wǎng)絡(luò)

    1.算法簡(jiǎn)介液態(tài)神經(jīng)網(wǎng)絡(luò)(LiquidNeuralNetworks,LNN)是一種新型的神經(jīng)網(wǎng)絡(luò)架構(gòu),其設(shè)計(jì)理念借鑒自生物神經(jīng)系統(tǒng),特別是秀麗隱桿線蟲(chóng)的神經(jīng)結(jié)構(gòu),盡管這種微生物的
    的頭像 發(fā)表于 09-28 10:03 ?1605次閱讀
    液態(tài)<b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>(LNN):時(shí)間連續(xù)性與動(dòng)態(tài)適應(yīng)性的<b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>

    神經(jīng)網(wǎng)絡(luò)的并行計(jì)算與加速技術(shù)

    問(wèn)題。因此,并行計(jì)算與加速技術(shù)在神經(jīng)網(wǎng)絡(luò)研究和應(yīng)用中變得至關(guān)重要,它們能夠顯著提升神經(jīng)網(wǎng)絡(luò)的性能和效率,滿(mǎn)足實(shí)際應(yīng)用中對(duì)快速響應(yīng)和大規(guī)模數(shù)據(jù)處理的需求。神經(jīng)網(wǎng)絡(luò)并行
    的頭像 發(fā)表于 09-17 13:31 ?1336次閱讀
    <b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>的并行計(jì)算與加速技術(shù)

    如何在機(jī)器視覺(jué)中部署深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)

    圖 1:基于深度學(xué)習(xí)的目標(biāo)檢測(cè)可定位已訓(xùn)練的目標(biāo)類(lèi)別,并通過(guò)矩形框(邊界框)對(duì)其進(jìn)行標(biāo)識(shí)。 在討論人工智能(AI)或深度學(xué)習(xí)時(shí),經(jīng)常會(huì)出現(xiàn)“神經(jīng)網(wǎng)絡(luò)”、“黑箱”、“標(biāo)注”等術(shù)語(yǔ)。這些概念對(duì)非專(zhuān)業(yè)
    的頭像 發(fā)表于 09-10 17:38 ?1079次閱讀
    如何在機(jī)器視覺(jué)中部署<b class='flag-5'>深度</b>學(xué)習(xí)<b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>

    無(wú)刷電機(jī)小波神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)子位置檢測(cè)方法的研究

    摘要:論文通過(guò)對(duì)無(wú)刷電機(jī)數(shù)學(xué)模型的推導(dǎo),得出轉(zhuǎn)角:與三相相電壓之間存在映射關(guān)系,因此構(gòu)建了一個(gè)以三相相電壓為輸人,轉(zhuǎn)角為輸出的小波神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)轉(zhuǎn)角預(yù)測(cè),并采用改進(jìn)遺傳算法來(lái)訓(xùn)練網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù),借助
    發(fā)表于 06-25 13:06

    神經(jīng)網(wǎng)絡(luò)專(zhuān)家系統(tǒng)在電機(jī)故障診斷中的應(yīng)用

    摘要:針對(duì)傳統(tǒng)專(zhuān)家系統(tǒng)不能進(jìn)行自學(xué)習(xí)、自適應(yīng)的問(wèn)題,本文提出了基于種經(jīng)網(wǎng)絡(luò)專(zhuān)家系統(tǒng)的并步電機(jī)故障診斷方法。本文將小波神經(jīng)網(wǎng)絡(luò)和專(zhuān)家系統(tǒng)相結(jié)合,充分發(fā)揮了二者故障診斷的優(yōu)點(diǎn),很大程度上降低了對(duì)電機(jī)
    發(fā)表于 06-16 22:09

    神經(jīng)網(wǎng)絡(luò)RAS在異步電機(jī)轉(zhuǎn)速估計(jì)中的仿真研究

    眾多方法中,由于其結(jié)構(gòu)簡(jiǎn)單,穩(wěn)定性好廣泛受到人們的重視,且已被用于產(chǎn)品開(kāi)發(fā)。但是MRAS仍存在在低速區(qū)速度估計(jì)精度下降和對(duì)電動(dòng)機(jī)參數(shù)變化非常敏感的問(wèn)題。本文利用神經(jīng)網(wǎng)絡(luò)的特點(diǎn),使估計(jì)更為簡(jiǎn)單、快速
    發(fā)表于 06-16 21:54

    基于FPGA搭建神經(jīng)網(wǎng)絡(luò)的步驟解析

    本文的目的是在一個(gè)神經(jīng)網(wǎng)絡(luò)已經(jīng)通過(guò)python或者M(jìn)ATLAB訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型,將訓(xùn)練好的模型的權(quán)重和偏置文件以TXT文件格式導(dǎo)出,然后通過(guò)python程序?qū)xt文件轉(zhuǎn)化為coe文件,(coe
    的頭像 發(fā)表于 06-03 15:51 ?1548次閱讀
    基于FPGA搭建<b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>的步驟解析
    宜章县| 镶黄旗| 定边县| 贺州市| 京山县| 永嘉县| 山西省| 惠来县| 吉水县| 黎川县| 通化县| 武城县| 南丹县| 潼南县| 从江县| 辽中县| 互助| 承德县| 自治县| 涪陵区| 蒙城县| 榆树市| 贡嘎县| 乐昌市| 绥江县| 仙居县| 五峰| 泰安市| 稻城县| 精河县| 虎林市| 隆德县| 丽江市| 南召县| 牙克石市| 永平县| 安康市| 阿克陶县| 丹凤县| 长武县| 昂仁县|