الجذر مترجم الأخيرة

إنتاج و qubit | عدد ملفه QbitAI

دراسة متعمقة للدماغ الإنسان وما هي العلاقة؟ الكمبيوتر هو كيفية التعرف على الكائنات المختلفة؟ كيف يمكننا بناء الدماغ الاصطناعي؟

هذا هو مبتدئين تعلم عميق حولها، ولكن بعض الأسئلة. لحسن الحظ، هناك بت دانيال وسعيد بالنسبة لك لشرح.

6 فبراير، وUCLA المنتدى (UCLA) ومعهد البحتة والرياضيات التطبيقية (IPAM) عبر الحدود من قبل "أبو الشبكات العصبية التلافيف" تنظيم يان ليكون متحدثا بلهجة فرنسية سميكة، ل قدم علماء الرياضيات التعلم العميق.

بداية LeCun من تأثير الطيور على اختراع الطائرة، والطبقات التقدمية، تدريجيا في عمق جوهر التعلم العميق، ويمكننا أن نقول ودية مبتدئ-جدا.

أبدا، لا دليل الحشد عمق المبتدئين إلى هذه الكنيسة التي كتبها العظيم الله نفسه تدرس؟

الذهاب انتزاع الخطوة البراز مقعد!

نقل أول و qubit الكامل الفيديو (وبطبيعة الحال، هو اللحوم النيئة)، والجمهور هي موضع ترحيب للعدد و qubit (QbitAI) لمشاهدة.

بالطبع، نحن الانتهاء من محتويات الرئيسية للمحاضرة:

اليوم، هي الله العظيم الرياضية هنا.

أفعل لا رياضيات، لم تحصل على جائزة نوبل. هنا وزن محطة اللباد ليست كافية.

هو الهندسية المهنية السابقة، ولكن شيئا المقلية، ثم تشغيل البرنامج (وإلا كيف حول العالم ليس من السهل القول).

اليوم، نقدم لكم مقدمة موجزة عن عمق التعلم.

لكننا لا نبدأ مع منظمة العفو الدولية، ولكن بدأت الطائرات الكلام من اختراع الإنسان .

وفقا لأول طائرة للقيام الرسومات الطائرات ليوناردو دا فينشي، نسخ شكل من الطيور. في ذلك الوقت لم يكن يعرف المبادئ الأساسية الرحلة، يمكنك فقط الحصول على الإلهام من النماذج البيولوجية الطبيعة لنسخ.

أول رحلة، فقط 15 سم بعيدا عن الارض بنجاح، أو 20 سم، والطريقة معلقة الطائرة فوق. لذلك نحن بحاجة إلى نهج أكثر انتظاما، يتم استخدام الأسلوب في الطائرات وجعلت في وقت لاحق الأخوان رايت الطائرة أصبحت حقيقة في نهاية المطاف.

بشكل عام، من الناحية النظرية المعرفية وبعد الممارسة المتراكمة قبل.

الكثير من أجل الرحلة.

فجاء السؤال.

AI يمكن الحصول على الإلهام من الطبيعة في ذلك؟

ومن الواضح أن الفكرة هي الأصدقاء القدامى جدا. ونحن ننظر في العوامل البيولوجية.

الدماغ البشري، ما يقرب من 85 بليون خلية عصبية. وكل الخلايا العصبية لديها عشرات الآلاف من نقاط الاشتباك العصبي، والتي تتراوح بين 1000-100000. الدماغ البشري هو فعالة جدا استهلاك الطاقة 25 واط فقط، وهو العاشر من جهاز الكمبيوتر.

كل حيوان له الدماغ يمكن أن تتعلم أساليب التعلم حيوانية مختلفة قد تختلف، بعض بسيطة نسبيا. أنها لا تتطلب جيدة ولا سيما المرئي، أو تعليم أجهزة الاستخبارات الأخرى، سوف تكون قادرة على معرفة أنفسهم.

ونحن نحاول العثور دراسة آليات الحيوان، وتستخدم بعد ذلك لتدريب تعلم الآلة.

ببطء، من 1940 فصاعدا، كان هناك فكرة لبناء آلات ذكية. لذلك خرجت من المستقبلات (المستقبلات).

وليس من جهاز كمبيوتر، ولكن جهاز محاكاة الكمبيوتر. قيمة الجهد الإدخال هي أكثر من عتبة معينة، فهو مفتوح. دون عتبة، يتم إغلاقه. يمكن تدريب الأوزان، مثل مقبض تعديل للتدوير.

على الرغم من الآن يمكننا استخدام ثلاثة خطوط من التعليمات البرمجية بايثون لتحقيق ذلك، لكنه يعتبر الكمبيوتر الكبيرة.

هذه هي الطريقة التي تصور الجهاز وتشغيلها ذلك؟

مبدأ بسيط جدا، وكنت بحاجة لجمع حفنة من تدريب البيانات.

على سبيل المثال، والمهام التعرف على الصور، ثم الإدخال بكسل من الصورة. عندما يتم تمثيل كل بكسل من قبل 0، 1، فإنه يمكن أن تتكون من سلسلة من الأرقام.

كنت تعطي الآلة خريطة، والرسالة A، ثم إخراج يجب أن يكون 1. ثم وقت التدريب، وقراءة بكسل في الصورة، والزيادة في أولئك الذين يمكن أن تعزز النتيجة النهائية هي 1، وهذا هو، والرسالة التحديد هو الصحيح بكسل والثقيلة، والنتيجة النهائية لأقل انحراف بكسل الصحيح من وزنه.

رياضيا سطر واحد فقط من التعليمات البرمجية بايثون يمكن التعامل مع ذلك.

في الواقع، على الرغم من أن هذا النهج هو أن يخرج على الحدس، ولكن وجدت بضع سنوات في وقت لاحق أن هذه المشكلة يمكن تلخيصها في عدة معادلات، مستوحاة أيضا من قبل علم الأحياء.

نعود إلى الدماغ البشري هو كيفية التعلم.

يتم توصيل كل عصبون إلى الخلايا العصبية الأخرى من خلال نقاط الاشتباك العصبي، وذلك لإشارات الإرسال.

ولكن رياضيا، وقد تم تبسيط هذا المفهوم، مفهوم في الوزن آلة واحدة من المقابض.

لمدخلات محددة، والإخراج من الخطأ ومن ثم ضبط المعلمات، والتدريب، وكرر حتى قيمة دالة الهدف أصغر وأصغر (قيمة دالة الهدف، يمثل الفرق بين الانتاج وتريد إخراج تحصل عليه).

وهذا ما يسمى أصل التدرج (أصل التدرج)، لا تزال مشاكل حسابية بسيطة جدا.

للقليلا مثال أكثر تعقيدا، لدينا للقيام تصنيف الصورة، وتحديد السيارات والطائرات والكراسي وغيرها من الأشياء.

تغيير مظهرها، كيف تركنا الكمبيوتر يتعرف كل نوع من وجوه ذلك؟

هذه الحاجة إلى الاعتماد على عدد كبير من التعديلات اليدوية. وهناك نظام لتصوير السيارة، إذا كان النظام سوف تعترف بأنها سيارة، ضوء أحمر. إذا لم ضوء أحمر تألق، يمكنك ضبط هذه الأزرار، بحيث سطوع تعزيز الضوء الأحمر، دخلت طائرة الصورة، زر ضبط، حتى أن الضوء الأخضر تعزيز السطوع.

إدخال بيانات التدريب الكافي ضبط زر باستمرار حتى آلة قادرة على التعرف عليها لم يسبق لي أن رأيت صورة له حتى الآن، ثم حتى لو كان التدريب ناجحا.

سوف تسأل بالتأكيد، وهذا يمكن التعرف على صورة مربع غامض المثبتة في النهاية ماذا؟

الجواب، في العقود القليلة الماضية، تم تغيير.

التعرف على الأنماط التقليدية، فإنه بالنظر إلى الخريطة، ومن ثم من خلال مستخرج الميزة. استخراج الميزة الهياكل الصناعية، هذه بكسل من الصورة إلى سلسلة من الأرقام، ومن ثم امتصاص خوارزمية بسيطة للحصول على محتويات هذا FIG. هذا النهج مثل أمام عمق التعلم وقد تم استخدام.

عمق التعلم يمكن تدريب هذه الوحدة الى عدة طبقات. مثل نقل الإشارات البصرية، فإنه يتطلب خطوات متعددة لاستخراج المعلومات.

والسؤال التالي الذي نطرحه هو أن علينا أن نذهب إلى هذه الوحدات التدريبية علبة لوضع شيء؟

واقترح "متعدد الطبقات" مفهوم في 1950s، إلى 1980s عندما يستخدم الناس أكثر من ذلك بقليل فوق.

وتتكون كل طبقة وحدة بسيطة، وليس على أساس وحدة على طبقة المدخلات، وبعد العلاج مع درجة من الأوزان التي تم الحصول عليها متفاوتة. ثم إذا تجاوزت قيمة قيمة العتبة، فإنه لا يزال للذهاب إلى أسفل، أسفل سوف العتبة لا تأخذ.

لذلك، كيف ندرب آلة تفعل؟

هذا هو في الواقع استمرار لنقل عملية الانحراف الصغيرة. والسؤال الرئيسي هو ما هو الاتجاه لضبط المعلمات، تعديل إلى أي مدى يمكن أن تحصل على الناتج نريد.

في عام 1980، والمشكلة فقط الحلول.

هذا البرنامج هو التطبيق العملي للمفاهيم رياضية معقدة، وتسمى قاعدة السلسلة (القاعدة سلسلة).

عندما يكون لديك شبكة عندما يكون لديك الكثير من الكتل وظيفة مستمرة (كتلة الوظيفي).

كل كتلة أو للقيام الضرب مصفوفة من كل المدخلات أو لإجراء عملية غير الخطية. دعونا ننظر كتلة بين نظام فصل.

يمكنك ببساطة احتساب قيمة الانتاج. على سبيل المثال، وهذا هو خطي ضرب المصفوفات وحدة، مضروبا في ناقلات المعلمة، مثل الناتج ناقلات يمكنك الحصول عليها. الكتلتين لها أبعاد مختلفة.

الآن لنفترض أن لكل عنصر من عناصر مكافحة ناقلات أي تعديل، ونحن جميعا نعرف أن الخسارة ستكون ما تغير الاتجاه.

المنحدر من فقدان وظيفة، ويمثل الفرق بين الناتج نحصل ونريد أن تصدير. بواسطة الحساب، في ناقلات الخضراء يمكن الحصول عليها، من أعلى إلى أسفل صيغة متكررة ويحسب عن طريق الإكثار الخلفي، ويمكن الحصول على التدرج والتكاليف المرتبطة جميع الوحدات.

العديد من المنصات الآن، بعد أن تكتب برنامج لتعريف شبكة الاتصال، فإنه يمكن تشغيل تلقائيا العودة نشر، حساب التدرج.

بعد أن يتم حل هذه القضايا، ونحن يمكن بناء الدماغ الاصطناعي حتى الآن؟

كما تعلمون، لا يمكن للعقل البشري أن تفعل في الثانية من قوة الحوسبة من 17 من 10، وعدد الخلايا العصبية تصل الى 10 ^ 11.

دعونا ننظر عملية سريعة جدا من الشريحة. خفض الزاوية اليمنى من NVIDIA تيتان-V، وGPU الثاني 15 يمكن أن تفعل حساب السلطة 10، والعقل البشري من 100 مرة أبطأ.

ولذلك، فإننا حساب، حتى لو كانت سرعة رقاقة لمضاعفة إلى 18 شهرا، ثم ما زلنا بحاجة إلى المزيد من الوقت ونحن يمكن أن تصل إلى الدماغ البشري؟ إذا كنت ترغب في نطاق معقول حجم رقاقة، ثم أعتقد أن علينا أن ننتظر بضعة عقود.

ولكن هذه ليست مشكلة كبيرة. المشكلة الرئيسية هي أننا لا نعرف كيف لهم البرنامج، وكيف تدريب، ما تدريب نعم المبدأ.

وGPU رخيصة جدا، فقط 3000 سكين، ولكن الآن الجميع التعدين اشترى، فقد كان غير قادر على شراء.

لقد قلت مرات عديدة، وإذا كان في مسيرتي، تكون قادرة على جعل هيئة ذكي، مثل الفئران، مثل الحس السليم، أشعر بسعادة كبيرة جدا وراضية. قد تكون لدينا الآن قوة المشغل المناسبة، ولكن لا يزال يتعين علينا معرفة مبدأ المحتملين. يتم تأمين المبدأ الذي تقوم عليه الآن خارج.

حسنا، الآن نأتي إلى النظر بالنسبة لنا لا يوجد إلهام البيولوجية الأخرى.

Hubel ويزل 1962 هذا العمل البيولوجي معروفة جدا، ونحن نعلم جميعا، وقعت في 1970s على جائزة نوبل. العمل يتم نفسها في 1960s، هو الهيكل المادي للنقل الإشارة البصرية.

تم دمج بسيطة معلومات الموقع كشف الخلية، الخلية المعلومات، يتم تحفيز مجمع الخلايا بسيطة.

ولذلك، إذا لم يكن هناك دافع خاص تتحرك قليلا قليلا، ويتم تنشيط الخلايا معقدة.

فوكوشيما 1982 نيان بناء النموذج الحسابي الذي يصف العلاقة الهرمية بين بسيطة وخلايا معقدة. هذا هو العمل من 1980s، وعندما لا تعلم الخوارزميات المناسبة. وذلك مع نوع آخر من خوارزمية غير خاضعة للرقابة.

وفي وقت لاحق، وكانت مستوحاة من هذه الخوارزمية، ببناء شبكة تحتوي على بنية مماثلة، مع الخوارزمية العودة انتشار لتدريب، ونحن نقول عادة ما الشبكة العصبية التلافيف (CNN).

وفيما يلي رسم تخطيطي للشبكة العصبية التلافيف.

سوف بكسل في الصورة تنشيط الخلية CNN. لكنني لا استطيع الاتصال بهم الخلايا العصبية، أو عالم الأعصاب من نوع ما. بالمقارنة مع الخلايا العصبية، وهذه الوحدات هي بسيطة جدا.

كل وحدة يشبه التصحيح. ، هذه الوحدات ستكون عالية وعتبة نسبة من افتتاحها. منخفضة، ثم إغلاقه.

ويمكن ملاحظة ذلك مع ليزر أشار المؤشر إلى أن التصحيح هو عامل.

هذا هو التصحيح المدخلات الأيسر، وناقلات معامل ومكافحة ناقلات المدخلات تضاعفت معا. بمعامل الفرشاة المدخلات بأكملها مرة أخرى، وبعد ذلك يمكنك الحصول على نتيجة قياسية على اليمين.

إذا كانت يمكن أن تتطابق، والنتائج بعد ذلك تنشيط للغاية لا تتطابق مع النتائج التي تم الحصول عليها غير نشطة.

وهذا ما يسمى التفاف منفصلة في الرياضيات.

بعد طبقات من تجهيز معامل الالتواء النواة، وينتهي مع المعلومات مضغوط الأكثر الحق.

و-1990s منتصف عندما نحصل على نموذج جدا البقر. ليس فقط يمكن التعرف على الرسالة، ندرك أيضا رسائل متعددة، أيضا دون فصل الأول. في ذلك الوقت، إذا كان لديك لتقسيم خوارزمية رياضية الكلاسيكية.

وبحلول الوقت الذي الكائن لا يمكن تقسيمها من الصورة، بدأت أهمية نموذجنا للكشف.

في هذا النموذج، الملتوية كل طبقة، وتجزئة في وقت واحد والاعتراف بها.

هذا هو الوقت الذي كنت صغيرا، وأنا وضعت مذكرة في الكاميرا أدناه وانقر على لوحة المفاتيح. هذا هو عام 1993، عندما (قوله واحد هو 1992).

وهذه هي المرة أنا لم يكن ينظر في نيو جيرسي مختبرات بيل رقم الهاتف والآن لا حاجة.

في بضع ثوان، وصورة يمكن معالجتها، وتحديد الرقمي.

كمية البيانات التدريب ليس كثيرا، حتى لو كان صغير، الكتابة اليدوية المختلفة، ويمكن التعرف على هذا النحو، وتأثير جيد جدا.

للحصول على سرعة مناسبة لتشغيل ما يصل هذا البرنامج، ونحن نستخدم خاص 32C الأجهزة DSP، سرعة إلى 20 يتخبط. وأخيرا، قمنا ببناء هذا النظام يمكن التعرف على الاختيار. حول 1996 انتشار استخدام.

وبحلول أواخر 1990s، تمت معالجة النظام حوالي 10 إلى 20 من الاختيار. إذا كنت ما يكفي من العمر، قد تحقق من نظام إلى أن تقرأ أيضا.

حتى نظرة، كان هذا النظام نجاحا كبيرا. لسوء الحظ، في منتصف 90s، تعلم آلة الدوائر، اختفى الجميع الشبكة العصبية الحماس.

والسبب الكبير هو أن النظام يتطلب الكثير من القدرة الحاسوبية في نظام البرمجيات فقط. كان من الممكن لتشغيل ما يصل.

حدث كل ذلك في MATLAB، أنظمة مايكروسوفت، لينكس تظهر من قبل، AT & T لم يكشف عن موارد الأجهزة المناسبة. لا الكمبيوتر على نطاق واسع، أو مجموعات كبيرة من البيانات، يمكننا أن نفعل هذا فقط الفطرة.

في الواقع، في ذلك الوقت، والكثير من الأمور الميتافيزيقيا جدا، نحن لسنا من جهة نظر رياضية لشرح لهم.

لا يمكن أن يفسر الأساس المنطقي وراء ذلك، لا توجد وسيلة لتشكيل النظرية. انها ليست نظرية الفوضى، لم تقدم هذه المادة.

حتى لو كان في واقع الأمر، وهذه الأساليب المتاحة، ولكن أيضا التخلي عنها.

ولكن البعض منا، ونعرف أن هذا الأسلوب سوف تأتي في النهاية. لأنه في بعض الحالات، وهذا الأسلوب هو أفضل.

لأنهم نملك التعلم، وليس التعرف على الصور فقط، كما يمكن أن يكون تمثيل مجردة من العالم. ويمكن العثور على جوهر الأشياء، ومن ثم العثور على صلة بين أجزاء مختلفة، ومن ثم تجميعها في لكامل. يفعلون الأشياء هي قوية جدا، لذلك يحتاج المزيد من البيانات.

بين عامي 1996 و 2002، توقفت تقريبا البحوث في هذا المجال، تم تحويلها إلى ضغط الصور.

في عام 2003، عندما بدأت نعود إلى هذا مرة أخرى. التي قطعناها على أنفسنا سيارة مع اثنين من الكاميرات، والناس للسيطرة عليها، وعندما مسافة العقبة 2 متر، ونحن سوف السيطرة عليه اتجه إلى اليسار أو اليمين لتجنب العقبات. ثم، ونحن ننظر في اثنين من التدريب كاميرا CNN نقله إلى الشاشة، للتنبؤ زاوية عجلة القيادة.

20 دقائق فقط من تدريب البيانات، يمكن للCNN تدفع نفسك! عندما عقبة، فإنه سيتم تحويل نفسها بعيدا.

مستوحاة من هذا النظام، الذي عقد DARPA LAGR (التعلم التطبيقية لمركبات الشحن البري)، وهو مشروع 1.5 مليون $.

تستطيع أن ترى الروبوت لديه أربع كاميرات مثبتة داخل أجهزة الكمبيوتر الثلاثة، يمكن السفر تلقائيا في بيئة طبيعية. قمنا بتدريب CNN، فإنه يخبرنا بأن على الشاشة، والتي يمكن أن تنتقل في المنطقة.

التصوير مجسمة باستخدام التقنيات التقليدية، ويمكن تحقيق هذه المهمة. ومع ذلك، مكلفة التصوير ثلاثي الأبعاد، ويقتصر نطاق العمل، ويمكن تحقيق حوالي 10 مترا.

هذا هو استخدام CNN.

سرعان ما أدركت أن احتفال ليس فقط منطقة لا يمكن ان تمر، أكثر من المثير للاهتمام، بعض بكسل تنتمي إلى الكائنات التي في الشكل. (الاعتراف كائن والتصنيف).

خذ على سبيل المثال، وهذه هي الأيام، والأشجار، والنوافذ والطرق وهلم جرا.

هذا هو شخص يستقل دراجة نارية على الطريق لالتقاط الصور من منظور الشخص الأول، هذه الخوارزمية لا نستطيع أن نقول الكمال، فإنه يعتقد أن هذا هو الصحراء، فإنه يكاد يكون من المستحيل في مانهاتن الصحراء.

ومع ذلك، فإنه هو القدرة على تحديد الأهداف الرئيسية من المارة وجيدة، وحتى تشغيل على أجهزة الكمبيوتر العادية، وكان أيضا 100 مرة أسرع من معظم النظام الرائدة. وهذه الخوارزمية ألهمت الكثير من الناس أننا يمكن استخدامه في الطائرات بدون طيار على.

في عام 2014، وهما شركتان بسرعة وضع هذه التكنولوجيا للحصول على استخدام الماضي. واحد هو MobilEye، والآخر هو نفيديا.

بحلول عام 2010، وأجريت هذه الدراسات مع مستوى منخفض، وبعد ذلك، تغيرت الأمور.

في عام 2011، عندما كان عمق التعلم تقدما كبيرا في التعرف على الكلام.

في نهاية عام 2012، اشتهر في دراسة معمقة حول لعبة ImageNet. ImageNet بيانات تحتوي على 1.3 مليون صور من فئة 1000 من الأشياء، وهو أدنى معدل الخطأ من خوارزمية تصنيف الصور التقليدية التي تحققت في هذه المجموعة البيانات حوالي 26.

في عام 2012، في جامعة تورنتو مصنوعة من نطاق واسع CNN، أسفل نسبة الخطأ إلى 15. وكانت أول جولة رسمية مثل هذا فريق كبير مع CNN GPU.

ثم، فجأة، والمجال الكامل للرؤية الكمبيوتر هي بداية لاستخدام هذه التكنولوجيا. أنا لم أر أبدا حقل الدراسة بحيث يتحول بسرعة من تقنية واحدة إلى أخرى.

في الواقع، في عام 2011، قدمنا أيضا ورقة لCVPR. ورقة ثم فاز أفضل سجل، ولكن رفض. لأنه في ذلك الوقت لم يكن الناس يعتقدون CNN يمكن الحصول على مثل هذه النتائج جيدة. لأننا لم نر، حتى أنهم يعتقدون ذاتي أن لدينا خطأ، وما شابه ذلك.

ولكن بعد ثلاث سنوات، والعالم المضطرب في الاتجاه المعاكس تماما. لم يكن لديك CNN، لا يمكن الحصول على هذه المادة.

ولكن هذا ليس شيئا جيدا. لأنه قتل التنوع. أنا أقول أنه يريد منك أن تعرف، في الوقت الذي كان ما ثورة كبرى.

هذه الشبكات هي كبيرة جدا، وهناك الملايين من الأزرار والوحدات والأوزان. تم الكشف عن الطبقة الأولى من شبكة الحافز الأساسي، مثل الحواف، خطوط، وما شابه ذلك.

CNN وبعض ما يصل الى 50 طبقات أو أكثر. لماذا نحتاج الكثير من طبقات؟

هيكل متعدد الطبقات يتألف من يتوافق الشبكة العصبية لبنية البيانات، وطبقات مختلفة الكشف عن خصائص مختلفة، مثل ميزات على مستوى منخفض يتميز خطوط المتوسطة، مثل الحواف والدوائر والأقواس والزوايا وغيرها، هو أقرب إلى ميزة مستوى النمط.

كل شيء في هذا العالم هي العرض الهرمي. مثل النص، وهذا هو، من الحروف والكلمات والعبارات والأحكام، الجمل والفقرات منها.

وقال ألبرت آينشتاين: أكثر شيء لا يصدق في العالم هو أن يمكن فهم كل شيء.

أكثر شيء محير في العالم هو أن العالم هو مفهوم.

على مدى السنوات القليلة الماضية الكثير من الشركات تفعل الكثير من الجهد لجعل تندرج هذه التقنيات، والحجم.

بدأت تقدم مؤخرا إلى قائمة مختلف

على سبيل المثال، نحن نستخدم 256 CNN، 1 ساعة لاستكمال ImageNet التدريب بأكملها، ونسبة الخطأ 23.74.

قناع طليعة البحوث في رؤية الكمبيوتر R-CNN، يمكنك القيام تجزئة الكائن، والكشف عن المفتاح، والاستيلاء على موقف الهيئة وهلم جرا. متفرق ConvNet يمكن القيام به مع 3D تجزئة الدلالي -

وبالإضافة إلى ذلك، تستخدم CNN أيضا في مجال الرؤية وعدم وجود علاقة، مثل الترجمة. وهذا مفيد لالفيسبوك لمساعدة المستخدمين على ترجمة مقالات قصيرة.

تبادل الكثير من المعلومات المذكورة اليوم، فهو مفتوح المصدر.

الشبكات العصبية الإلتواء يمكن استخدامها في العديد من المجالات، مثل آلة بدون طيار مع الإدراك البصري يمكن أن يساعد في تحسين البيئة. لديهم التطبيقات في مختلف مجالات التصوير الطبي، وعلم الوراثة والفيزياء وغيرها، وتقريبا كل يوم جديد ليظهر الحقل الهبوط.

دراسة متعمقة لا علم فقط، ولكن المنطق أيضا.

على سبيل المثال، يمكننا وفقا للصورة، وطرح الأسئلة،

عدد المربعات في ضوء أقل من الأجسام الصفراء؟

إذا كان للإنسانية هي الإجابة على هذا السؤال، ونحن بحاجة لحساب عدد المربعات الصفراء وعدد من الكائنات بشكل مستقل ومن ثم مقارنة هذه أوامر اثنين من حجمها.

للشبكة العصبية، فإنه يتطلب وحدة نمطية لتصنيف كتلة والكائن الأصفر، لحساب وحدة أخرى، وحدة مقارنة حجم المطلوبة إجابات.

الشبكة العصبية هو دينامية وسوف تختلف مع المدخلات، ومدخلات تحديد بنية الشبكة العصبية.

وبالإضافة إلى ذلك، مع وحدات الذاكرة لتعزيز الشبكة العصبية هي اتجاهات البحوث مثيرة جدا للاهتمام.

في المحاضرة، ذكر لي كون المعلم أيضا التي قام بها مؤخرا البرمجة اختلاف احترامها. قبل الطلاب المهتمين يمكن قراءة المقالات ومشاهدة أشرطة الفيديو من تلقاء نفسها.

وأخيرا، أكد لي كون المعلم أيضا نقطة: في الوقت الحاضر، لا توجد الاستخبارات آلة العالمي، والحس السليم وليس له طعم.

- انتهى -

التوظيف الصادق

المكدسة تقوم بتجنيد محرر / مراسل، ومقرها في تشونغ قوان تسون في بكين. نتوقع الموهوبين والطلاب المتحمسين للانضمام إلينا! مزيد من التفاصيل، يرجى و qubit عدد الجمهور (QbitAI) واجهة الحوار والرد "تجنيد" كلمة.

و qubit QbitAI عناوين على التوقيع

' " تتبع تقنيات AI دينامية جديدة والمنتجات