深度學習讓計算機學會思考-朝人工智能靠近(編輯修改稿)
2024-08-31 17:53 本頁面
【文章內容簡介】 層的人工神經網絡具有優(yōu)異的特征學習能力，學習得到的特征對數據有更本質的刻畫，從而有利于可視化或分類；二、深度神經網絡在訓練上的難度，可以通過“逐層初始化”來有效克服，在這篇文章中，逐層初始化是通過無監(jiān)督學習實現的。最初，希頓、德哈爾和其他人利用深度學習解決了一個非常困難但從經濟角度而言非常重要的語音識別任務。2009年，研究人員報告稱，他們利用一組經典的數據對一套深度學習軟件進行訓練——3個小時的錄音和語音翻譯，這套深度學習軟件能夠精確地理解語音的內容，并將其轉化為文字，精確度創(chuàng)下了紀錄。德哈爾表示，這一進步引起了智能手機市場巨頭們的極大關注，他在微軟實習期間，將這套技術帶到了微軟。德哈爾說：“幾年后，這些巨頭們都開始研究深度學習?！崩纾O果手機上的聲控數字助手（Siri）就是建立在深度學習的基礎上。今天，谷歌、微軟等知名的擁有大數據的高科技公司爭相投入資源，占領深度學習的技術制高點，正是因為它們都看到了在大數據時代，更加復雜且更加強大的深度模型能深刻揭示海量數據里所承載的復雜而豐富的信息，并對未來或未知事件作出更精準的預測。在語音和圖像識別領域取得巨大飛躍當谷歌公司在其安卓智能手機操作系統(tǒng)上采用基于深度學習的語音識別技術后，其單詞拼寫的錯誤率下降了25%，這是語音識別領域10多年來最大的突破性進展?！拔覀兒馁M10年時間才能做到這一點?！毕ｎD表示，這也反映了要想在這一領域取得突破是多么困難。與此同時，恩格也說服谷歌，讓他使用該公司與“谷歌大腦”有關的數據和計算機?！肮雀璐竽X”能從互聯網視頻中識別出貓的圖像，這極準確而恰當地展示了無人監(jiān)督學習的潛力。無人監(jiān)督學習是最困難的學習任務，因為輸入的信息沒有附著任何解釋性信息，比如姓名、標簽或類別等。但恩格很快遇到了麻煩，因為很少有谷歌以外的研究人員擁有如此豐富而有力工具來開展與深度學習有關的研究?！拔液秃芏嗳苏勥^話，很多學生沮喪地跑過來告訴我說，我又沒有1000臺計算機來用，我如何進行這類研究呢？”因此，恩格回到斯坦福大學，開始利用圖形處理單元（GPU，這種運行速度超快的芯片主要為游戲而研發(fā)）來研制更大、成本更低的深度學習網絡，也有很多人在這么做。恩格說：“使用大約價值10萬美元的硬件，我們能利用64個GPU，建造出一個擁有110億個連接的網絡?！钡@樣的系統(tǒng)要想贏得機器視覺科學家的青睞，可能還需要“百尺竿頭，更進一步”。這些機器視覺科學家希望能在標準化測試方面看到其優(yōu)異的表現。馬利克記得，希頓曾經問過他：“你是一個懷疑論者，什么使你如此確信深度學習系統(tǒng)的潛力呢？”馬利克回答說：“深度學習系統(tǒng)在國際聞名的數據池（ImageNet）競賽中取勝或許讓我看到了其巨大的潛能。”在該比賽中，研究團隊需要訓練計算機程序識別與100萬張圖像有關的一套數據，這些圖像已被人工貼上了各類標簽。經過訓練后，通過讓這些程序從以前未曾見過的圖像中找出同樣的標簽來測試這些程序的性能。每一幅測試圖像，程序都會給出5個答案，如果正確的答案并非其中之一，那么，這一測試就被認為是錯誤的。以前，獲勝者們一般的出錯率
研究報告相關推薦
鄂ICP備17016276號-1