深度学习是什么意思(人工智能能影响未来生活的有哪些)

千度号 资讯17阅读模式
广告也精彩

人工智能(Artificial Intelligence),英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人工智能的理论、方法、技术及应用系统的一门新的技术科学。

人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能与人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等[1]。文章源自千度号-https://www.taibaowl.com/27768.html

毫无疑问,人工智能,是未来国家资源争夺的基础工具,人工智能发展好的企业,将会处于行业的顶端,在国际链条上也会处于食物链的顶端,而人工智能基本没有发展的企业,将会被锁定在资源供应国的地位,将会被迫被剥夺,被剥削,在微笑曲线的底端。文章源自千度号-https://www.taibaowl.com/27768.html

我国具有人工智能研究大量的基础数据,美国具有人工智能研究的最先进的技术或者说是算法,是算法和基础数据的结合,将会对人工智能的迭代与升级以及研发的促进带来革命性的新机遇,所以在人工智能研究上,中国和美国都非常具有优势。文章源自千度号-https://www.taibaowl.com/27768.html

人工智能能够影响未来的特点之一就是能够深度学习,本文重点探讨:什么是深度学习?文章源自千度号-https://www.taibaowl.com/27768.html

大多数人认为深度学习是人类用特定的规则去“编码”AI,利用我们自己的认知去“教导”AI,才能让算法具备相应的能力。文章源自千度号-https://www.taibaowl.com/27768.html

但事实上深度学习是模拟人脑进行学习的思维方式,有输入,也输出,还有复杂的中间层结构。文章源自千度号-https://www.taibaowl.com/27768.html

受人类大脑内部复杂的神经元网络的启发,深度学习模拟生物神经网络,构建出包括输入层和输出层在内的人工神经网络,当将数据输入该网络的输入层后,在输出层就会显现出相应的处理结果。在输入层和输出层之间,可能存在很多中间层(又称隐藏层),从而能够更深入地刻画所处理对象的特征,并具备更强大的函数模拟能力。几十年前,计算机算力有限,只能支撑一两层中间层。近年来,随着算力增强,可以训练出有成千上万层中间层的网络,“深度学习”即由此得名[2]。文章源自千度号-https://www.taibaowl.com/27768.html

举个例子,我们如果想要研究和训练AI利用人工神经网络去深度学习,去识别和确认图片上是否有花朵,我们需要向AI“投喂”数百万张带着“有花”或“无花”标签的图片样板,就好比现在有些家庭里的智能音箱,你越和它对话,说的话越多,给它的信息越多,那么它就会越来越聪明,也是一个道理,都是需要它先去学习,然后才能通过学习后去判断,去识别,每一次新的输入行为都能提高输出正确结果的概率,而这里面它们学习的原理就是:文章源自千度号-https://www.taibaowl.com/27768.html

人工神经网络的训练是一个数学处理过程——通过不断调整网络中的数百万个参数(有时甚至是数十亿个参数),来最大限度地提高“只要输入有花的图片,就输出‘有花的判定”的概率,以及“只要输入没有花的图片,就输出‘无花’的判定”的概率。文章源自千度号-https://www.taibaowl.com/27768.html

在训练过程中,人工神经网络和其中的参数会组成一个巨大的数学方程组,用以解决有花无花的问题。一旦完成训练,它就可以对从未见过的图片进行判断,确定图片上是否有花[3]。文章源自千度号-https://www.taibaowl.com/27768.html

根据这个原理,我们在做深度学习的时候,就要知道如何去建立输入和输出,如何提高输出的正确概率,训练AI,让它更聪明。文章源自千度号-https://www.taibaowl.com/27768.html

深度学习是什么意思(人工智能能影响未来生活的有哪些)

但目前为止,AI还远远没有达到我们想要的目标,也就是说到现在为止,AI还没有那么的智能,未来还需要很长的路要走。文章源自千度号-https://www.taibaowl.com/27768.html

那么为什么深度学习让大家这么兴奋?文章源自千度号-https://www.taibaowl.com/27768.html

内在原因来看,我们发现她做得比传统方法好,而且也比传统方法成本更低。文章源自千度号-https://www.taibaowl.com/27768.html

从成本来看:以前某个任务需要 3 个工程师从清洗数据、找特征、构建模型、训练与应用,这些都跑完一个流程,需要3个月。这还不算找特征、构建模型这些工作需要很强的行业领域知识与工程经验。总共消耗了9个人月。文章源自千度号-https://www.taibaowl.com/27768.html

而深度学习所做的就是,现在只需要一个工程师,清洗数据、构建模型、训练与应用,可能只需要一个月,总共1个人月。文章源自千度号-https://www.taibaowl.com/27768.html

为什么?首先深度学习降低了找特征的成本,甚至可以说在某些时候可以把这个过程忽略,在以前这个过程本身可能就需要3~5个人月的反复工程实验。而清洗数据也更快了,因为深度学习的鲁棒性更好(rubust),尤其是针对大数据的鲁棒性(百万条数据)。如果放在2、3年前,深度学习的训练与应用所需要的时间成本也不低,可是现在无论是各种框架(Torch,Keras,TensorFlow)也好,还是各种工程经验也好,都更加充足了,使得时间成本越来越低。文章源自千度号-https://www.taibaowl.com/27768.html

从外在原因来看,深度学习遇到了两个机会:文章源自千度号-https://www.taibaowl.com/27768.html

1、GPU(显卡)速度很快,并且深度学习可利用,极大的降低了工程实验成本;文章源自千度号-https://www.taibaowl.com/27768.html

2、互联网数据获取越来越容易,数据量越来越大(传统方法很难处理一些领域的大数据)。文章源自千度号-https://www.taibaowl.com/27768.html

你需要知道的:

  • 深度学习不是万能药,她可能不会、至少短期不会在所有领域上大放异彩
  • 深度学习同样需要领域知识,处理文本和处理图像的模型可以类似,但是细微差别就可能导致极大的不同,而找到最合适的模型需要工程师本身就有很强的经验
  • 深度学习并不昂贵,并且成本越来越低,前提是你知道你想要什么
  • 深度学习需要其他各种知识与能力的配合,例如处理文本依然需要正则表达式,处理图像与视频,依然需要大量的相关知识
  • 深度学习是机器学习 + 大量的技巧与经验,深度学习实际并没有超出机器学习范畴,各种传统的测试、验证方法必须要有;传统的聚类、分类、强化、回归模型经验也要有;除此之外,还需要熟悉深度学习的各种训练技巧

你可能想尝试的:

  • 把问题总结好,寻找可能建模的点
  • 假设你拥有一些数据,人可以通过这些数据得出结论,深度学习可能也可以并且成本更低;假设你没有数据,或者人也无法仅仅从这些数据得到结论,那么深度学习很可能也无能为力
  • 深度学习可能是一种低成本的尝试点,不要太高估她,不过至少你觉得有一点点可能性,最好咨询相关专家,成本可能没有你想象的那么高
广告也精彩
千度号
  • 本文由 发表于 2022年10月11日 12:40:44
  • 版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至395045033@qq.com举报,一经查实,本站将立刻删除。
广告也精彩