亚洲春色中文字幕久久久-三上亚,一吻二脱三床四吻胸,国产真实伦对白视频全集,在线毛片观看,精品成品入口黄网,国产毛aⅴ片久久久,亚洲AV色香蕉一区二区三区老师,萧皇后A级艳片,色情日本视频更新,99久久亚洲精品日本无码

標題: 重磅 | Yan LeCun眼中的深度學習與人工智能未來（附PPT下載） [打印本頁]

作者: hubaba 時間: 2016-3-26 01:16
標題: 重磅 | Yan LeCun眼中的深度學習與人工智能未來（附PPT下載）
2016年3月24日，紐約大學教授、Facebook AI研究院主任LeCun在CERN Colloquium上發(fā)表了一次演講，以下是這次演講PPT摘要。進入公眾號界面，回復數(shù)字26，可下載本文所涉及PPT：Deep Learning and the Future of AI

在過去的幾年，人工智能的快速發(fā)展讓我們的智能手機、社交網(wǎng)絡、搜索引擎能夠相當準確地識別聲音、面孔以及照片上的物體。這些巨大進步很大一部分與新一類機器學習方式，亦即深度學習出現(xiàn)有關。

LeCun首先提出這樣一個問題，打造智能機器，應該復制大腦嗎？不必要，但可以從大腦汲取靈感。大腦是一臺運作高效的計算機，而人工智能系統(tǒng)的效率僅為其百萬分之一（考慮到神經(jīng)突觸的復雜性）。因此，我們可以從大自然汲取靈感，但不要太多。1957年誕生的感知器是第一臺學習機器，也是先輩們對生物神經(jīng)學科的深刻理解和融會貫通，一個簡單的帶有自適性“突觸性權重”的模擬神經(jīng)元，感知器算法實際上是在不斷“猜測”正確的權重和偏移量。

接下來，LeCun介紹了一般機器學習，監(jiān)督學習，大規(guī)模機器學習。上世紀五十年代末以來，模式識別的傳統(tǒng)模式是固定（Fixed）/工程化選取的特征（engineered features）（or固定內(nèi)核） +可訓練分類器。傳統(tǒng)模式識別: 固定（Fixed）/人工特征提取（Handcrafted Feature Extractor）；主流現(xiàn)代的模式識別：無監(jiān)督中級層面特征（Unsupervised mid-level features）；深度學習：表征具有層級性，能進行訓練。深度學習，靈感源自大腦視覺皮層的信號處理：杏仁核通路具有多層級的。所謂深度，就是不止有一個非線性特征轉換層級。

多層神經(jīng)網(wǎng)絡

多層神經(jīng)網(wǎng)絡的特點。多層簡單單元（Multiple Layers of simple units）；每個單元計算輸入加權和（Each units computes a weighted sum of its inputs)；通過非線性函數(shù)的加權和（Weighted sum is passed through a non-linear function）；學習算法改變權重（The learning algorithm changes the weights）。

典型的多層神經(jīng)網(wǎng)絡結構：線性模塊（Linear Module ）， ReLU 模塊 (Rectified Linear Unit) ，成本模塊（ Cost Module）：平方距離（Squared Distance）以及目標函數(shù)（Objective Function ）。

通過組合模塊打造一個網(wǎng)絡。

在任何結構運行方面，他指出，任何連接圖表都是允許的；任何模塊都是允許的；絕大多數(shù)框架提供自動區(qū)分。

最后談到了多層網(wǎng)絡目標函數(shù)非凸。

CNN

一種特殊的深度學習系統(tǒng)類型叫卷積網(wǎng)絡（convolutional network， ConvNet），在圖像和語音識別上非常的成功。ConvNets是一種人工神經(jīng)網(wǎng)絡，其構造受到視覺皮質結構的啟發(fā)。ConvNets以及其他深度學習系統(tǒng)的特別之處在于，能夠端到端地學習整個感知過程。深度學習系統(tǒng)自動學習感知世界中恰當表征，作為學習過程的一部分。

架構上，CNN多加了這兩層——（卷積層和pooling層），也是卷積神經(jīng)網(wǎng)絡（CNNs/ConvNets）和普通舊神經(jīng)網(wǎng)絡的主要區(qū)別。

卷積網(wǎng)絡（vintage 1990）以及Hubel & Wiesel's 的視覺皮層結構模型。根據(jù)Hubel和Wiesel的層級模型，視覺皮層中的神經(jīng)網(wǎng)絡具有一個層級結構：LGB（外側膝狀體）→樣品細胞→復雜細胞→低階超復雜細胞→高階超復雜細胞。低階超復雜細胞和高階超復雜細胞之間的神經(jīng)網(wǎng)絡具有一個和簡單細胞與復雜細胞之間的網(wǎng)絡類似的結構。在這種層狀結構中，較高級別的細胞通常會有這樣的傾向，即對刺激模式的更復雜的特征進行選擇性響應，同時也具有一個更大的接收域，而且對刺激模式位置的移動更不敏感。因此，模型中就引入了類似于層級模型的結構。

整體結構: multiple stages of Normalization → Filter Bank → Non-Linearity → Pooling。

一些應用（臉部識別，讀取支票，行人探測，場景解釋/標簽等等），以及使用CNN進行物體識別和定位，語音識別。LeCun指出，CNN（將）無處不在。

自然語言理解，F(xiàn)B的Q&A系統(tǒng)以及新型的深度學習結構，記憶增強網(wǎng)絡

記憶增強網(wǎng)絡超越了感知，具有推理（reasoning）、attention和事實記憶（factual memory）的能力。深度學習系統(tǒng)正被用于越來越多的應用領域，比如，圖片和視頻管理

歡迎光臨 (http://www.denmoz.com/bbs/)