返回 登录
1

扩展机器学习,满足人工智能日益增长的要求

人工智能 (AI) 的愿景非常简单,使电脑像人类一样思考和工作,和人类难以区分。人工智能离不开电脑,但它主要依赖人类的关注点、洞察力和启发。人工智能以人为本,但是人类的关注集中于人类专家。对专家的依赖(尤其是最初应用人工智能领域的专家,如医学领域的专家)给不断发展的人工智能带来了挑战,因为专家不能扩展。

如今,人工智能依赖机器学习,后者是一类能够随着时间进行改善的算法,其关键是具备出色的数据处理能力,并不断对硬件及方法进行完善。这是人工智能的一贯原则,但是由于需要处理和开发的数据规模较大,而现实中没有这么多数据,这个原则并未贯彻执行。如今,数据的规模每年提升一倍,其增度超过了计算能力。这就是我们讨论人工智能的真正原因,也验证了机器学习是实现人工智能功能的有效手段。

人工智能、机器学习与神经网络

神经网络作为一种算法,属于人工智能领域机器学习范围。因此,神经网络中包含一个组 - 深度神经网络的“子子类”。包含两个以上的输入和输出隐藏层。图 1 显示通过关系权重相连接的单个输入和输出层。实际上,深度神经网络有 100 多个输入和输出层。
图片描述

机器学习算法中的神经网络子类是最受关注的算法。本文重点介绍了机器学习和机器学习算法的子类 - 神经网络。关系如图 2 所示。

图片描述

将一张图像输入到深度神经网络,它将找到并用方框(或轮廓)标记您要找的人。前提是网络接受过相应的训练。从输入到输出的任务称做 “向前传播”,术语称之为 “推断”。

必须对神经网络进行训练。训练充满挑战。

训练

训练网络需要哪些条件?首先,执行向前传播,并查看结果。对比预想的结果和实际的结果,取其差值,并将差值传播回去(图 3)。这就是向后传播。向后传播算法是最难的。调整每个边缘的权重。需要认真地逐层完成,针对多个训练场景(本示例使用的是图像)。
图片描述

当前一流的训练方案有两大挑战:a) 依赖标记数据(监督式训练);b) 算法并行性十分有限。标记用于训练的数据,尽管需要大量人力,但是普通人即可完成(不需要专家),他们通常在目标对象周围画一个方框或轮廓。算法并行性主要用于批量处理图像,以获取某一点的平均属性。训练数据通常不适用于较大规模的批处理器,因此批量尺寸通常限制在 1000 左右。

由于输入数据(图像)较多,而且网络深度广…查看全文
了解更多相关内容,请关注CSDN英特尔开发专区

Intel技术双周刊已全面开启:订阅请点击这里

评论