جي وون الذكاء الاصطناعي الجديد AI WORLD قمة العالم 2018

"الإطار السفلي AI" اليسار اليد اليمنى "قمة تطبيقات AI"، وكيفية اختيار؟

AI تفعل الأعمال ذات الصلة للأشخاص الذين تختار أن تفعل أي اتجاه محدد، يمكن أن يكون يتطلب متشابكة مشكلة عميقة.

تعرف على ما يقرب من طرح هذا السؤال على المستخدم، تسبب أي قلق الصغيرة والمناقشة:

يونيو جي وون على فهم مصادر الطاقة الجديدة وصقل المستخدمين المخولين اثنين، فإنها لحل هذه المشكلة في عمق أننا لم تنظيمها، مشاركتها مع القراء.

فقد ركزنا على، ولكن اثنين من جوانب بحاجة إلى معرفة

كرجل نظام نقل التعلم العميق، وأنا في الآونة الأخيرة تعكس أيضا مشكلة: كور نظام التعلم عمق (نظام التعلم العميق) في النهاية هو عمق الدراسة أو النظام؟

طرحت لأول مرة الخاتمة : إذا كنت ترغب في معرفة عمق وعمق نظم التعلم، عن الحاجة إلى فهم المعرفة على حد سواء، ويمكن أن تركز وفقا لاتجاهها، ولكن يجب أن لا يفهم تماما على واحد من ناحية، وإلا فإنه من الصعب جعل ممارسة مفيدة النتائج.

أولا ننظر إلى القوة الدافعة الحالية للفريق تطوير الإطار الشعبي وإطار تطورها:

• كافيه: جايانت SD مختبر بيركلي التطوير المرئي من الشركاء الصغيرة. أنا أساسا استخدام الخاصة بهم، هي مدفوعة بالطلب.

• الشعلة: الطلاب يان ليكون. الطلب.

• Theano: Yoshua Benjio من الطلاب. لالبحوث الخاصة بها، ولكن أيضا جعل النظام الورق، الذي ينتمي إلى + الطلب البحوث مدفوعة.

• Tensorflow: جيف دين من قبل موظفي غوغل التي تقودها، ولدت أساسا النظام. جوجل يتطلب من تخطيط في مجال AI، عاصمة يحركها.

• نيون: موظف nervana، وذلك لبدء شركات المنتجات. محرك العاصمة.

• MXNet: DMLC (وخصوصا الطلاب الصينيين في التعلم الآلي والنظم الموزعة) الشريك الأصغر. أساسا مينرفا، البيورين، وفريق التطوير cxxnet معا، نصف من تعلم الآلة، ونصف خارج النظام. + الطلب الفائدة مدفوعة.

هناك الكثير من الناس الذين ينخرطون في بقية النظام من الفائدة أو لأغراض علمية لتطوير الإطار، ولكن معظمهم لا قبض على، لن أكررها.

كما يمكن أن يرى، بالإضافة إلى دفع جوجل القوي Tensorflow معظمهم للاستخدام الشخصي والاهتمام من البداية. نفقات تطوير Tensorflow تضيف ما يصل كل الأموال من إنتاج الأطر الأخرى أيضا أكثر من بضع مرات، ولكن بانخفاض العام لم يكن قادرا على السيطرة على الساحة السياسية. تبين أن قوات الطلب، ما يسمى ب "الحاجة أم الاختراع".

لماذا التيار تعلم عمق الإطار من قبل الأغلبية "نظام لإشراك الناس يعرفون دراسة متعمقة قليلا" من جهة، وبدلا من "أعرف دراسة متعمقة قليلا من نظام لإشراك الناس" يعني؟

أعتقد أن السبب الرئيسي نظم التعلم عمق والنظم التقليدية (مثل أنظمة التشغيل وقواعد البيانات) لديها اختلاف أساسي : اقتران أجزاء مختلفة من خوارزمية التعلم عميقة هي قريبة جدا، تؤثر في الواقع الجسم كله.

الانخراط في التفكير المنهجي الإنسان هو أن أفعل هذا النظام، تعريف واجهات لضمان الواجهات المناسبة، يمكن للمستخدمين استخدام، لا تحتاج إلى معرفة تفاصيل التنفيذ. بعد كل شيء، لا تحتاج إلى معرفة التشغيل تنسيق نظام ملف النظام الخاص بك، لا تحتاج الى قاعدة البيانات لمعرفة كيفية تحقيق الاتساق.

ولكن مع هذا الفكر في نظام التعلم عمق غير مناسب.

أولا، مصفوفة من تدفق البيانات من خلال النظام بأكمله، في كل خطوة من التفاصيل من المحتمل أن تؤثر على النتائج مستقبل مئات من الخطوات. للحصول على نتائج وسيطة، لا يمكنك تحديد بدقة ما هو حق، خوارزمية جيدة ليست مبلغ بسيط من الجزء N الخير. وكان هينتون قال التسرب يبدو وكأنه علة، لكنه يحسن دقة، بل هو "علة جيد" .

ثانيا، لأن عمق تعقيد الخوارزمية التعلم، والحاجة للسيطرة على عوامل كثيرة، واجهات الثابتة صعبة لتلبية احتياجات جميع المستخدمين. قد إرسال فضلا نظام أكثر بساطة ومرونة، بحيث يمكن للمستخدمين بسهولة تعديل وفقا لاحتياجاتها الخاصة.

بدوره للناس للمشاركة في التعلم العميق من ذلك، إذا كنت لا تعرف التفاصيل الداخلية للنظام، عندما تأثير خوارزمية الخاص بك هو جيد، كنت لا تعرف في النهاية ما العوامل أدت إلى نتائج جيدة. إطار لتأثير محتمل على سيئة، والسبب هو أنك لا تعرف من التفاصيل التنفيذ. عندما النتيجة ليست جيدة، وكنت لا أعرف كيفية تحسين.

من ناحية أخرى، عندما كنت في حاجة لتنفيذ الخوارزمية الجديدة، فإننا كثيرا ما نجد أن الإطار القائم من واجهات لا يمكن أن تحل مشكلتك، وقد تم تنفيذ هذا الوقت تحتاج إلى معرفته من أجل تعديل النظام إلى نظام داخلي لأغراضهم الخاصة.

الجزء السفلي من تطوير أكثر صعوبة، الأرض العليا المزيد من الغاز

اجتمع هو جين شيا المعلم TAMU خلال اجتماع الأسبوع الماضي، وقدم مجموعة منهم وضعت مؤخرا آلة أوتوماتيكية تعلم أطر مفتوحة المصدر Keras السيارات. كانت كلمات الرئيس هو جين تاو يقول: " هل إطار المصدر المفتوح هو شيء مفيد جدا، خصوصا إذا كنت تعمل في وقت قصير، وتشعر بالقلق إزاء الكثير من الناس غير مجزية جدا . "

في الواقع، العديد من الناس في هذه الصناعة تتحول تدريجيا انظارنا الى انخفاض مستوى أقرب إلى اتجاه "البنية التحتية"، مثل تعديل المعلمة التلقائي، تعلم الآلة على نطاق واسع، وتعلم آلات موازية. بعد كل شيء، خوارزمية جيدة لاستخدام المزيد من الناس تريد أن تكون، ونحن بحاجة للحد من عتبة إلى توفير إطار مشترك. شخص ما افترض لا Sklearn، تعلم الآلة تقدر أن تفعل ما لا يقل عن نصف أقل. إذا لم يكن هناك TF أو الشعلة، لا دراسة متعمقة من الناس تشير التقديرات إلى أن أقل من النصف.

في الواقع، بالمعنى الدقيق للكلمة، الخوارزمية المقترحة، خوارزمية التغليف، وتطبيقها على مجموعة البيانات هو عمل خط التجميع الحقيقي، والعمل من المنبع إلى المصب. ملاحظتي هي أن كثير من الناس لا تتم كتابة كود خوارزمية البحث في صعبة للغاية، منخفضة للغاية كفاءة التشغيل المحتملة .

هنا مثال بسيط، وعندما تظهر لك بسيطة K-أقرب خوارزمية الجار، يمكنك إعادة كتابة كل بحث، أو يمكنك بناء شجرة الطبقة K-D لتقليل الوقت التعقيد. تسونغ نقطة منطقية فقط للعرض، الأولى والأخيرة هي الصحيحة، ولكن الكفاءة قد يكون هناك الكثير من الفرق.

هو سبب هذه الظاهرة نتائج معظم الأبحاث المتطورة أنه ليس من السهل أن يسقط، لأنه لا الأمثل رمز أو أن هناك طائفة واسعة من الأخطاء في تحقيق . أعتقد أن نقطة انطلاقة جيدة جدا للعرض هي دراسة كيفية تنفيذ بكفاءة مجموعة متنوعة من الخوارزمية التقليدية والمتطورة، من معظم بسيطة لقياس، الحوسبة المتوازية، إلى تصميم هيكلي أكثر تعقيدا وحتى لالحوسبة المتوازية على نطاق واسع. إذا كان الإطار الأساسي القيام به، لذلك له أهمية كبيرة لهذه الصناعة والأوساط البحثية:

• الصناعة أن تجرب بسرعة خوارزمية طليعة للتحقق من موثوقية والتطبيق العملي من الخوارزمية على بيانات حقيقية.

• البحث المعرض المجتمع مقارنة الخوارزمية الحدود لمنع الاحتيال العلمي. وتزعم العديد من الأوراق التي خوارزمية هو أكثر بكثير من أفضل خوارزمية الحالية (SOTA)، ولكن في واقع الأمر قد يكون ببساطة لأنها لم تنفذ SOTA بشكل صحيح.

بدأت في محاولة لجعل بعض عجلات صغيرة من العام الماضي، كما قدمت بعض إطار صغير. هذه العملية من قبل الكثير من مشاعر جديدة:

• تصميم وتنفيذ الإطار هو من السهل العثور على أوجه القصور في الخوارزمية الأصلية، يمكن أن تساعد في تحفيز الأفكار الجديدة. دراسة حالة K أقرب خوارزمية الجار، على افتراض أن تجد في تحقيق كفاءة البرنامج بأكمله يخضع ل-قسم K، يمكنك محاولة لتسريع شجرة K-D، أو حتى استبدال الجيران الخطوات K، من خلال مجموعة لمحاكاة هذه العملية. وذلك عند فهم الخوارزمية عنق الزجاجة، يمكنك جعل تحسن ملموس الجديد، ورعاية البحث العلمي.

• تعزيز قدرتها على تحقيق، لتجنب رسم لوحة بعد أبحاث الإدمان. خلال العامين الماضيين الأساليب التقليدية تصنيف معظم الانتباه إلى عدد من تشن تيانتشى XGBOOST، هو في الواقع من السهل جدا للاستخدام. أعتقد أنه بفضل خوارزمية نجاح XGBOOST تم تعبئتها طويلة في مكتبة أداة متطورة، وهو تصميم وتنفيذ مهارة عميقة من نظام معلم أساس تشن تيانتشى. أعتقد أنه في السنوات العشر الماضية يجب أن يكون هناك بعض جيدة جدا الغبار الخوارزمية، لمجرد مؤلفيها لم تتمكن مجموعة منهم إلى العجلات ناضجة للجميع للاستخدام، لأمر مؤسف حقا.

• أكثر انسجاما مع الصناعة لتحديد المواقع، عن وظيفة نقطة لوقا. في الواقع، في معظم الحالات، وصناعة لا يهتم كم كنت أرسلت مادة قوية، ولكن أكثر قلقا بشأن ما إذا كان يمكنك وضع احتياجات الشركة المقصودة. تجربتي الخاصة هي أن المشاركين حتى الأكاديمي، ولا يهتمون كيف كثير من الناس في بلدي الهيدرولوجيا، ولكن أكثر من محادثة أنا وضعت في إطار من الخبرة، ليس فقط لأنها قد سمعت أو المستخدم.

• والشعور بالإنجاز. مستخدمو قارئ من إطار ورقة أكثر من ذلك بكثير، عندما تجد أن إطار التصميم الخاص بك يستخدم على نطاق واسع عندما يكون الناس في جميع أنحاء العالم، وسوف يكون شعور قوي للإنجاز، سوف يشعرون بأن جعلوا المجال لهذا التطور مساهمة صغيرة، وليس فقط لكتابة بعض من هذه الحياة، وليس شخص يبحث الهيدرولوجيا.

النقاط الرئيسية المذكورة أعلاه في مناقشة ما إذا كان أو لم يكن في محاولة لمعرفة إطار التنمية، في محاولة لخلق بعض عجلات جديدة. عودة إلى الموضوع، "الكامنة وراء الإطار" الذي "تطبيق العلوي" أفضل؟ وجهة نظري هو أنه يعتمد على المهارات التي لديك:

• الإطار الأساسي: يتم تغليف صعوبة والأداء. مثل كيفية تصميم API (واجهة)، وكيفية تحسين أمثلية السرعة، وكيفية كتابة اختبار للتأكد من أن الطريق الصحيح.

• الجزء العلوي من التطبيق: يكمن صعوبة في كيفية استخدام العجلات الموجودة حتى في بيانات حقيقية، الذي ينطوي في الكثير من المشاكل العملية مثل تنظيف البيانات، مثل كيفية فهم استدعاء الدالة الأساسية إلى اليمين.

بشكل عام، فإن معظم الناس لا تكتب لالكامنة . بعد كل شيء، إطارا ممتازا بالنسبة للكثيرين، ولكن أيضا لمتطلبات بنية النظام وتحسين كود مرتفعة، ومعظم الناس ليس لديهم المعرفة المطلوبة.

يصبح تطبيق الطبقة العليا من أسفل إلى الأرض يمكن تعميق حساسيتنا للبيانات، والطلاب سوف جيدة في تطبيق العلوي تقدم حصادة مكان العمل. في الواقع، وتطبيق الطبقة العليا يمكن القيام به هو ليس من السهل، ويتطلب فهم متعمق لهذه القضايا.

وبعبارة أخرى، فإن الإطار السفلي والتطبيقات الفرعية العليا من الكعك المختلفة، والتركيز مختلفة.

من وجهة نظر ابحاثا، اخترع لنا خوارزمية حقا لا ينبغي أن يكون نهاية. كما صاحب الخوارزمية يجب أن يدرك نموذج أيديهم، بعد كل شيء، والنبيذ هو أيضا خائف من زقاق عميق.