人工智能,尤其是深度学习是一种正在改变人们生活的许多方面的计
算技术。
深度学习的算法需要大量的数据。 数量确实取决于算法和生成的网络模型的目标,
但对于
人工智能是计算领域的热门话题之一, 并且有着充分的理由。 深度学习 (DL)中的
新技术在
某些问题上有能力创建比人类精确度更好的神经网络。 图像识别是深度学习
(DL)
模型如何
在识别图像中的对象 (对象检测和分类 )方面实现比人类准确性更好的一个例子。
ImageNet 竞赛就是一个例子。自 2010 年以来, ImageNet 大规模视觉识别挑战
(ILSVRC)
已被用作图像识别改进的衡量标准。在 2011年,其错误率约为 25%(该工具可以正确识
别培训
数据集之外的 75%的图像 )。 2012年,深度神经网络 (DNN) 的错误率降低到 16%。在接
下来
的几年里, 其错误率将降至个位数。 在 2017 年,36 支参赛团队中有 29人的失误率
低于 5%,
这通常要比人类识别做的更好。
深度学习使用各种类型的神经网络,可应用于各种各样的问题。创建深度学习模型
通常有
两个主要步骤:第一步就是所谓的训练。这是让模型重复读取输入数据集,并调整
模型参
数以最小化错误 正( 确输出与计算输出之间的差异 )的过程。这一步需要大量的
输入,需要
极端大量的计算量。
用于执行这两个步骤的计算的软件由框架完成。这些软件工具和数据库可以读
取通常用
Python 编写的脚本, 告诉框架需要什么样的操作以及神经网络是什么样的。 该代
码然后由框
架读取,然后执行。框架的例子有 Tensorflow、Caffe或 PyTorch。