摘要:什么是深度學(xué)習(xí)深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一種特殊形式,涉及訓(xùn)練具有多層單元的神經(jīng)網(wǎng)絡(luò)。常見的誤解深度學(xué)習(xí)是一個(gè)很大程度上取代機(jī)器學(xué)習(xí)的新領(lǐng)域。
高屋建瓴,統(tǒng)領(lǐng)全局,學(xué)習(xí)tensorflow。 對(duì)現(xiàn)在的職業(yè)人士來說,學(xué)生時(shí)期的知識(shí),對(duì)現(xiàn)在的自己來說,似乎看起來簡(jiǎn)單了很多,但是自己卻并沒有去深入學(xué)習(xí),能夠更好理解的原因就在于:知道了更多周邊信息,對(duì)知識(shí)的理解有了前因后果參照物。 所以我把學(xué)習(xí)tensorflow的過程記錄了下,重要的是把人工智能的歷史進(jìn)行了翻譯,所以對(duì)tensorfow的基礎(chǔ)理解程度更深。當(dāng)然,coding過程中的。每一步,每一句代碼,每犯的一個(gè)錯(cuò)都記錄了下來。 歡迎mark [learn-ai](https://github.com/ifredom/learnig-ai)
==============================================================
什么是人工智能(AI)?
這是研究使計(jì)算機(jī)智能運(yùn)行的方法。粗略地說,計(jì)算機(jī)是智能的,只要它做正確的事情而不是錯(cuò)誤的事情。正確的事情是最有可能實(shí)現(xiàn)目標(biāo)的任何行動(dòng),或者在更多技術(shù)術(shù)語(yǔ)中,最大化預(yù)期效用的行動(dòng)。AI包括學(xué)習(xí),推理,計(jì)劃,感知,語(yǔ)言理解和機(jī)器人等任務(wù)。
常見的誤解
這是一項(xiàng)特定的技術(shù)。例如,在20世紀(jì)80年代和90年代,人們常常看到將AI與基于規(guī)則的專家系統(tǒng)混淆的文章; 在2010年代,人們看到AI與多層卷積神經(jīng)網(wǎng)絡(luò)相混淆。這有點(diǎn)像用蒸汽機(jī)混淆物理。人工智能領(lǐng)域研究在機(jī)器中創(chuàng)造智能的一般問題 ; 它不是 對(duì)該問題的研究產(chǎn)生的具體技術(shù)產(chǎn)品。
這是一類特定的技術(shù)方法。例如,通常看到作者用符號(hào)或邏輯方法識(shí)別AI,并將AI與“其他方法”(例如神經(jīng)網(wǎng)絡(luò)或遺傳編程)進(jìn)行對(duì)比。AI不是一種方法,這是一個(gè)問題。任何解決問題的方法都算作對(duì)AI的貢獻(xiàn)。
這是一個(gè)特殊的研究團(tuán)體。這涉及前面的誤解。一些作者使用術(shù)語(yǔ)“計(jì)算智能”來指代使用諸如神經(jīng)網(wǎng)絡(luò),模糊邏輯和遺傳算法等方法的所謂的不同研究團(tuán)體。這是非常不幸的,因?yàn)樗偈寡芯咳藛T只考慮在他們的社區(qū)內(nèi)接受的方法而不是有意義的方法。
AI是“只是算法”。這并非嚴(yán)格意義上的錯(cuò)誤,因?yàn)樗惴ǎㄋ缮⒍x為程序)當(dāng)然是AI系統(tǒng)的組成部分,以及計(jì)算機(jī)的所有其他應(yīng)用程序。但是,AI系統(tǒng)解決的任務(wù)類型往往與傳統(tǒng)的算法任務(wù)有很大不同,例如排序數(shù)字列表或計(jì)算平方根。
AI如何使人類社會(huì)受益?
人類文明所提供的一切都是我們智慧的產(chǎn)物。人工智能提供了一種沿著各種方向擴(kuò)展智能的方法,就像人類的智慧產(chǎn)物起重機(jī)允許我們攜帶數(shù)百噸的的重物,飛機(jī)允許我們以每小時(shí)數(shù)百英里的高速移動(dòng),望遠(yuǎn)鏡讓我們可以看到數(shù)萬英里之外的東西。如果設(shè)計(jì)得當(dāng),人工智能系統(tǒng)可以更好地實(shí)現(xiàn)人類價(jià)值。
常見的誤解
人工智能必然是非人化的。在許多反烏托邦的情景中,AI被一些人濫用來控制他人,無論是通過監(jiān)視,機(jī)器人警務(wù),自動(dòng)“正義”還是AI支持的命令和控制經(jīng)濟(jì)。這些肯定是可能的未來,但不是絕大多數(shù)人會(huì)支持的。另一方面,人工智能為人類提供了更多的人類知識(shí)和個(gè)人學(xué)習(xí)機(jī)會(huì); 消除人民之間的語(yǔ)言障礙; 并消除了無意義和重復(fù)的苦差事,使人們失去了機(jī)器人的地位。
人工智能必然會(huì)增加不平等。讓人類的工作自動(dòng)化當(dāng)然有可能將收入和財(cái)富集中在越來越少的人手中。但是,我們可以選擇如何使用AI。例如,通過促進(jìn)合作并將生產(chǎn)者與使用者聯(lián)系起來,它可以允許更多的個(gè)人和小團(tuán)體在經(jīng)濟(jì)中獨(dú)立運(yùn)作,而不是依賴于大公司的工作。
什么是機(jī)器學(xué)習(xí)?
它是人工智能的一個(gè)分支,它探索了讓計(jì)算機(jī)根據(jù)經(jīng)驗(yàn)提高績(jī)效的方法。
常見的誤解
機(jī)器學(xué)習(xí)是一個(gè)很大程度上取代AI的新領(lǐng)域。這種誤解似乎是近期機(jī)器學(xué)習(xí)興趣的增長(zhǎng)以及大量學(xué)生在沒有接觸過AI的情況下參加機(jī)器學(xué)習(xí)課程的偶然副作用。機(jī)器學(xué)習(xí)一直是人工智能的核心話題:圖靈的1950年論文假定學(xué)習(xí)是人工智能的最有可能的途徑,而人工智能最早期的成功,塞繆爾的棋盤游戲,是使用機(jī)器學(xué)習(xí)構(gòu)建的。
機(jī)器無法學(xué)習(xí),它們只能做程序員告訴他們做的事情。顯然,程序員可以告訴機(jī)器如何自主學(xué)習(xí)!塞繆爾是一個(gè)可怕的跳棋運(yùn)動(dòng)員,但他的計(jì)劃很快就學(xué)會(huì)了比他更好。目前,人工智能的許多重要應(yīng)用都是通過將機(jī)器學(xué)習(xí)應(yīng)用于大量訓(xùn)練數(shù)據(jù)來構(gòu)建的。
什么是神經(jīng)網(wǎng)絡(luò)?
神經(jīng)網(wǎng)絡(luò)是一種受生物神經(jīng)元基本屬性啟發(fā)的計(jì)算系統(tǒng)。神經(jīng)網(wǎng)絡(luò)由許多多帶帶的單元組成,每個(gè)單元接收來自某些單元的輸入并將輸出發(fā)送給其他單元。(單元不需要任何多帶帶的物理存在;它們可以被認(rèn)為是計(jì)算機(jī)程序的組成部分。)單元的輸出通常通過獲取輸入的加權(quán)和并通過某種簡(jiǎn)單的非線性傳遞總和來計(jì)算,轉(zhuǎn)換。關(guān)鍵屬性是可以根據(jù)經(jīng)驗(yàn)修改與單元之間的鏈接相關(guān)聯(lián)的權(quán)重。
常見的誤解
神經(jīng)網(wǎng)絡(luò)是一種新型計(jì)算機(jī)。實(shí)際上,幾乎所有神經(jīng)網(wǎng)絡(luò)都是在普通的通用計(jì)算機(jī)上實(shí)現(xiàn)的。有可能設(shè)計(jì)專用機(jī)器,有時(shí)稱為神經(jīng)形態(tài)計(jì)算機(jī),以有效地運(yùn)行神經(jīng)網(wǎng)絡(luò),但到目前為止,他們還沒有提供足夠的優(yōu)勢(shì)來支付成本和施工延遲。
神經(jīng)網(wǎng)絡(luò)就像大腦一樣工作。事實(shí)上,真正的神經(jīng)元比人工神經(jīng)網(wǎng)絡(luò)中使用的簡(jiǎn)單單元要復(fù)雜得多; 有許多不同類型的神經(jīng)元; 真正的神經(jīng)連接可以隨時(shí)間變化; 除了影響行為的神經(jīng)元之間的通信之外,大腦還包括其他機(jī)制; 等等。
什么是深度學(xué)習(xí)?
深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一種特殊形式,涉及訓(xùn)練具有多層單元的神經(jīng)網(wǎng)絡(luò)。它近年來變得非常流行,并且已經(jīng)導(dǎo)致諸如視覺對(duì)象識(shí)別和語(yǔ)音識(shí)別之類的任務(wù)的顯著改進(jìn)。
常見的誤解
深度學(xué)習(xí)是一個(gè)很大程度上取代機(jī)器學(xué)習(xí)的新領(lǐng)域。事實(shí)上,深度學(xué)習(xí)已經(jīng)在神經(jīng)網(wǎng)絡(luò)社區(qū)中存在了20多年。最近的進(jìn)步是由算法和模型的一些相對(duì)較小的改進(jìn)以及大數(shù)據(jù)集和更強(qiáng)大的計(jì)算機(jī)集合的可用性推動(dòng)的。
文章版權(quán)歸作者所有,未經(jīng)允許請(qǐng)勿轉(zhuǎn)載,若此文章存在違規(guī)行為,您可以聯(lián)系管理員刪除。
轉(zhuǎn)載請(qǐng)注明本文地址:http://specialneedsforspecialkids.com/yun/19964.html
摘要:近日它們交鋒的戰(zhàn)場(chǎng)就是動(dòng)態(tài)計(jì)算圖,誰(shuí)能在這場(chǎng)戰(zhàn)爭(zhēng)中取得優(yōu)勢(shì),誰(shuí)就把握住了未來用戶的流向。所以動(dòng)態(tài)框架對(duì)虛擬計(jì)算圖的構(gòu)建速度有較高的要求。動(dòng)態(tài)計(jì)算圖問題之一的多結(jié)構(gòu)輸入問題的高效計(jì) 隨著深度學(xué)習(xí)的發(fā)展,深度學(xué)習(xí)框架之間競(jìng)爭(zhēng)也日益激烈,新老框架紛紛各顯神通,想要在廣大DeepLearner的服務(wù)器上占據(jù)一席之地。近日它們交鋒的戰(zhàn)場(chǎng)就是動(dòng)態(tài)計(jì)算圖,誰(shuí)能在這場(chǎng)戰(zhàn)爭(zhēng)中取得優(yōu)勢(shì),誰(shuí)就把握住了未來用戶的流...
當(dāng)我們處理機(jī)器學(xué)習(xí)任務(wù)時(shí),經(jīng)常需要將不同的矩陣拼接在一起以便進(jìn)行下一步操作。在TensorFlow中,矩陣拼接是一項(xiàng)非常常見的任務(wù),因此我們需要掌握這項(xiàng)技術(shù)。在本文中,我將介紹如何使用TensorFlow來完成矩陣拼接。 首先,我們需要了解TensorFlow中的兩種矩陣拼接方式:水平拼接和垂直拼接。水平拼接是將兩個(gè)矩陣沿著水平方向拼接,而垂直拼接則是將兩個(gè)矩陣沿著垂直方向拼接。 讓我們從水平...
摘要:機(jī)器學(xué)習(xí)模型內(nèi)部的組成部分,可以使用進(jìn)行打包和共享。為機(jī)器學(xué)習(xí)開發(fā)者提供庫(kù)產(chǎn)生了庫(kù)。庫(kù)是一個(gè)在中進(jìn)行發(fā)布和重用中機(jī)器學(xué)習(xí)模塊的平臺(tái)。 摘要: 本文對(duì)TensorFlow Hub庫(kù)的介紹,并舉例說明其用法。 在軟件開發(fā)中,最常見的失誤就是容易忽視共享代碼庫(kù),而庫(kù)則能夠使軟件開發(fā)具有更高的效率。從某種意義上來說,它改變了編程的過程。我們常常使用庫(kù)構(gòu)建塊或模塊,并將其連接在一起進(jìn)行編程。 開...
閱讀 954·2021-11-25 09:43
閱讀 2290·2019-08-30 15:55
閱讀 3153·2019-08-30 15:44
閱讀 2052·2019-08-29 16:20
閱讀 1452·2019-08-29 12:12
閱讀 1608·2019-08-26 12:19
閱讀 2282·2019-08-26 11:49
閱讀 1711·2019-08-26 11:42