云南龙网

  1. 首页 > 云知道 > >

深度学习和机器学习,机器学习和深度学习的( 六 )

云知道机器


在此后的几十年间，人工智能先是被捧为人类文明光明未来的钥匙，后又被当作过于自大的异想天开而抛弃 。但是在过去几年中，人工智能出现了爆炸式的发展，尤其是 2015 年之后 。大部分原因，要归功于图形处理器（GPU）的广泛应用，使得并行处理更快、更便宜、更强大 。另外，人工智能的发展还得益于几乎无限的存储空间和海量数据的出现（大数据运动）：图像、文本、交易数据、地图数据，应有尽有 。
下面我们从发展的历程中来一一展开对人工智能、机器学习和深度学习的深度学习 。人工智能人工智能先驱们在达特茅斯开会时，心中的梦想是希望通过当时新兴的计算机，打造拥有相当于人类智能的复杂机器 。这就是我们所说的“通用人工智能”（General AI）概念，拥有人类五感（甚至更多）、推理能力以及人类思维方式的神奇机器 。
在电影中我们已经看过无数这样的机器人，对人类友好的 C-3PO，以及人类的敌人终结者 。通用人工智能机器至今只存在 于电影和科幻小说里，理由很简单：我们还实现不了，至少目前为止 。我们力所能及的，算是“弱人工智能”（Narrow AI）：执行特定任务的水平与人类相当，甚至超越人类的技术 。现实中有很多弱人工智能的例子 。
这些技术有人类智能的一面 。但是它们是如何做到的？智能来自哪里？这就涉及到下一个同心圆：机器学习 。机器学习机器学习是实现人工智能的一种方法 。机器学习的概念来自早期的人工智能研究者，已经研究出的算法包括决策树学习、归纳逻辑编程、增强学习和贝叶斯网络等 。简单来说，机器学习就是使用算法分析数据，从中学习并做出推断或预测 。
与传统的使用特定指令集手写软件不同，我们使用大量数据和算法来“训练”机器，由此带来机器学习如何完成任务 。许多年来，计算机视觉一直是机器学习最佳的领用领域之一，尽管还需要大量的手动编码才能完成任务 。研究者会手动编写一些分类器（classifier），如边缘检测筛选器，帮助程序辨别物体的边界；图形检测分类器，判断物体是否有八个面；以及识别“S-T-O-P”的分类器 。
在这些手动编写的分类器的基础上，他们再开发用于理解图像的算法，并学习如何判断是否有停止标志 。但是由于计算机视觉和图像检测技术的滞后，经常容易出错 。深度学习深度学习是实现机器学习的一种技术 。早期机器学习研究者中还开发了一种叫人工神经网络的算法，但是发明之后数十年都默默无闻 。神经网络是受人类大脑的启发而来的：神经元之间的相互连接关系 。
但是，人类大脑中的神经元可以与特定范围内的任意神经元连接，而人工神经网络中数据传播要经历不同的层，传播方向也不同 。举个例子，你可以将一张图片切分为小块，然后输入到神经网络的第一层中 。在第一层中做初步计算，然后神经元将数据传至第二层 。由第二层神经元执行任务，依次类推，直到最后一层，然后输出最终的结果 。每个神经元都会给其输入指定一个权重：相对于执行的任务该神经元的正确和错误程度 。
最终的输出由这些权重共同决定 。因此，我们再来看看上面提到的停止标志示例 。一张停止标志图像的属性，被一一细分，然后被神经元“检查”：形状、颜色、字符、标志大小和是否运动 。神经网络的任务是判断这是否是一个停止标志 。它将给出一个“概率向量”（probability vector），这其实是基于权重做出的猜测结果 。
在本文的示例中，系统可能会有 86% 的把握认定图像是一个停止标志，7% 的把握认为是一个限速标志，等等 。网络架构然后会告知神经网络其判断是否正确 。不过，问题在于即使是最基础的神经网络也要耗费巨大的计算资源，因此当时不算是一个可行的方法 。不过，以多伦多大学 Geoffrey Hinton 教授为首的一小批狂热研究者们坚持采用这种方法，最终让超级计算机能够并行执行该算法，并证明该算法的作用 。

推荐阅读


上一篇：窗户用什么材质的好

下一篇：窗户一刮风就响有什么好办法