中职电子商务网站建设与维护考试题,自己做的网址如何推广,wordpress 子域名,搭建网站需要什么工具来源#xff1a;ScienceAI编译#xff1a;绿萝据报道称#xff0c;由于采用基于云的技术和在大数据中使用深度学习系统#xff0c;深度学习的使用在过去十年中迅速增长#xff0c;预计到 2028 年#xff0c;深度学习的市场规模将达到 930 亿美元。但究竟什么是深度学习ScienceAI编译绿萝据报道称由于采用基于云的技术和在大数据中使用深度学习系统深度学习的使用在过去十年中迅速增长预计到 2028 年深度学习的市场规模将达到 930 亿美元。但究竟什么是深度学习它是如何工作的深度学习是机器学习的一个子集它使用神经网络来执行学习和预测。深度学习在各种任务中都表现出了惊人的表现无论是文本、时间序列还是计算机视觉。深度学习的成功主要来自大数据的可用性和计算能力。然而不仅如此这使得深度学习远远优于任何经典的机器学习算法。深度学习神经网络和函数神经网络是一个相互连接的神经元网络每个神经元都是一个有限函数逼近器。这样神经网络被视为通用函数逼近器。如果你还记得高中的数学函数就是从输入空间到输出空间的映射。一个简单的 sin(x) 函数是从角空间-180° 到 180° 或 0° 到 360°映射到实数空间-1 到 1。让我们看看为什么神经网络被认为是通用函数逼近器。每个神经元学习一个有限的函数f(.) g(W*X) 其中 W 是要学习的权重向量X 是输入向量g(.) 是非线性变换。W*X 可以可视化为高维空间超平面中的一条线正在学习而 g(.) 可以是任何非线性可微函数如 sigmoid、tanh、ReLU 等常用于深度学习领域。在神经网络中学习无非就是找到最佳权重向量 W。例如在 y mxc 中我们有 2 个权重m 和 c。现在根据 2D 空间中点的分布我们找到满足某些标准的 m c 的最佳值对于所有数据点预测 y 和实际点之间的差异最小。层的效果现在每个神经元都是一个非线性函数我们将几个这样的神经元堆叠在一个「层」中每个神经元接收相同的一组输入但学习不同的权重 W。因此每一层都有一组学习函数[f1, f2, …, fn]称为隐藏层值。这些值再次组合在下一层h(f1, f2, ..., fn) 等等。这样每一层都由前一层的函数组成类似于 h(f(g(x)))。已经表明通过这种组合我们可以学习任何非线性复函数。深度学习是具有许多隐藏层通常 2 个隐藏层的神经网络。但实际上深度学习是从层到层的函数的复杂组合从而找到定义从输入到输出的映射的函数。例如如果输入是狮子的图像输出是图像属于狮子类的图像分类那么深度学习就是学习将图像向量映射到类的函数。类似地输入是单词序列输出是输入句子是否具有正面/中性/负面情绪。因此深度学习是学习从输入文本到输出类的映射中性或正面或负面。深度学习作为插值从生物学的解释来看人类通过逐层解释图像来处理世界的图像从边缘和轮廓等低级特征到对象和场景等高级特征。神经网络中的函数组合与此一致其中每个函数组合都在学习关于图像的复杂特征。用于图像的最常见的神经网络架构是卷积神经网络 (CNN)它以分层方式学习这些特征然后一个完全连接的神经网络将图像特征分类为不同的类别。通过再次使用高中数学给定一组 2D 数据点我们尝试通过插值拟合曲线该曲线在某种程度上代表了定义这些数据点的函数。我们拟合的函数越复杂例如在插值中通过多项式次数确定它就越适合数据但是它对新数据点的泛化程度越低。这就是深度学习面临挑战的地方也就是通常所说的过度拟合问题尽可能地拟合数据但在泛化方面有所妥协。几乎所有深度学习架构都必须处理这个重要因素才能学习在看不见的数据上表现同样出色的通用功能。深度学习先驱 Yann LeCun卷积神经网络的创造者和 ACM 图灵奖获得者在他的推特上发帖基于一篇论文「深度学习并没有你想象的那么令人印象深刻因为它仅仅是美化曲线拟合的插值。但是在高维中没有插值之类的东西。在高维空间一切都是外推。」因此作为函数学习的一部分深度学习除了插值或在某些情况下外推。就这样Twitter 地址https://twitter.com/ylecun/status/1409940043951742981?langen学习方面那么我们如何学习这个复杂的函数呢这完全取决于手头的问题而这决定了神经网络架构。如果我们对图像分类感兴趣那么我们使用 CNN。如果我们对时间相关的预测或文本感兴趣那么我们使用 RNN 或 Transformer如果我们有动态环境如汽车驾驶那么我们使用强化学习。除此之外学习还涉及处理不同的挑战确保模型学习通用函数而不仅仅适合训练数据这是通过使用正则化处理的根据手头的问题选择损失函数松散地说损失函数是我们想要的真实值和我们当前拥有的当前预测之间的误差函数梯度下降是用于收敛到最优函数的算法决定学习率变得具有挑战性因为当我们远离最优时我们想要更快地走向最优而当我们接近最优时我们想要慢一些以确保我们收敛到最优和全局最小值大量隐藏层需要处理梯度消失问题跳过连接和适当的非线性激活函数等架构变化有助于解决这个问题。计算挑战现在我们知道深度学习只是一个学习复杂的函数它带来了其他计算挑战要学习一个复杂的函数我们需要大量的数据为了处理大数据我们需要快速的计算环境我们需要一个支持这种环境的基础设施。使用 CPU 进行并行处理不足以计算数百万或数十亿的权重也称为 DL 的参数。神经网络需要学习需要向量或张量乘法的权重。这就是 GPU 派上用场的地方因为它们可以非常快速地进行并行向量乘法。根据深度学习架构、数据大小和手头的任务我们有时需要 1 个 GPU有时数据科学家需要根据已知文献或通过测量 1 个 GPU 的性能来做出决策。通过使用适当的神经网络架构层数、神经元数量、非线性函数等以及足够大的数据深度学习网络可以学习从一个向量空间到另一个向量空间的任何映射。这就是让深度学习成为任何机器学习任务的强大工具的原因。参考内容https://venturebeat.com/2022/03/27/this-is-what-makes-deep-learning-so-powerful/未来智能实验室的主要工作包括建立AI智能系统智商评测体系开展世界人工智能智商评测开展互联网城市大脑研究计划构建互联网城市大脑技术和企业图谱为提升企业行业与城市的智能水平服务。每日推荐范围未来科技发展趋势的学习型文章。目前线上平台已收藏上千篇精华前沿科技文章和报告。 如果您对实验室的研究感兴趣欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”
