a一级少妇一区二区三区,日韩免费视频一一二区,亚洲肉浴视频播放,heyzo高清中文字幕,2012中文字幕二页,女人天堂视频网,日本japanese精品少妇,国偷自产第150视频,欧洲一卡2卡三卡4卡 高清,午夜a级理论片在线播放琪琪,丁香六月五月激情婷婷欧美,短篇超级yin荡女高中生h,亚洲成a影院,国产黄频视频大全,少妇SPA推油在线视频,亲嘴扒胸柔屁股视频网站 ,国产男女乱婬真高清免费视频

您好，歡迎來興恒安智能
！
0755-33066731/18823729361　|　登錄 ｜ 注冊　|　幫助中心

行業(yè)資訊

當(dāng)前位置： 首頁 > 行業(yè)資訊

人工智能的“左右互搏術(shù)”

更新時間：2021-10-11 9:31:01　瀏覽次數(shù)：1441
金庸武俠小說《射雕英雄傳》里
，有這樣一段經(jīng)典場景：“老頑童”周伯通在被困桃花島期間，創(chuàng)造了“左右互搏術(shù)”
，即用自己的左手跟自己的右手打架，在兩手互搏中提高功力
。

如今，這樣的橋段在人工智能領(lǐng)域真實上演

。它
，就是深度學(xué)習(xí)
。

“左右互搏術(shù)”與深度學(xué)習(xí)中的一種對抗訓(xùn)練原理相仿

，即有兩個角色——生成器和判別器。生成器類似于左手
，扮演攻方
；判別器類似于右手，扮演守方
。

判別器的目的是正確區(qū)分真實數(shù)據(jù)和生成數(shù)據(jù)

，從而最大化判別準(zhǔn)確率
；生成器則是盡可能逼近真實數(shù)據(jù)的潛在分布
。二者需要不斷提高各自的判別能力和生成能力來取勝，從而實現(xiàn)目標(biāo)優(yōu)化
。

今天，讓我們打開這個“神秘魔盒”

。

深度學(xué)習(xí)的概念

，最早是由杰弗里·辛頓在2006年提出的。這是一門用于學(xué)習(xí)和利用“深度”人工神經(jīng)網(wǎng)絡(luò)的機器學(xué)習(xí)技術(shù)
。作為人工智能領(lǐng)域中最熱的研究方向，深度學(xué)習(xí)迅速受到學(xué)術(shù)界和工業(yè)界的關(guān)注
。

目前

，深度學(xué)習(xí)已得到廣泛應(yīng)用
。如在博弈領(lǐng)域
，AlphaGo通過深度學(xué)習(xí)，以4∶1的比分戰(zhàn)勝韓國棋手李世石
，成為第一個擊敗人類職業(yè)圍棋選手的電腦程序
；在醫(yī)學(xué)影像識別中
，以深度學(xué)習(xí)為核心技術(shù)的X光
、核磁、CT
、超聲等醫(yī)療影像多模態(tài)大數(shù)據(jù)的分析技術(shù)
，可提取二維或三維醫(yī)療影像中隱含的疾病特征
；在圖像處理中
，最成功的領(lǐng)域是計算機視覺，如圖像風(fēng)格遷移
、圖像修復(fù)
、圖像上色
、人臉圖像編輯以及視頻生成等
。

一種特殊的機器學(xué)習(xí)方法

今天的人工智能

，其實是把現(xiàn)實生活中的問題量化成了可計算的問題，然后用計算機算出來
。數(shù)學(xué)模型則架起了中間的橋梁
。

現(xiàn)實生活中，很多問題都可以通過建模解決

。比如計算遠(yuǎn)程火炮彈道問題
，計算日食
、月食出現(xiàn)的時間和地點等。我們只要把相應(yīng)公式用計算機語言寫一遍
，再代入?yún)?shù)，就能計算出來
。

然而

，更多問題的解決方法是不確定的。即使我們找到了相應(yīng)的數(shù)學(xué)模型
，也不知道應(yīng)該代入什么參數(shù)。比如語音識別
、人臉識別和機器翻譯等
。因此，我們需要讓計算機通過自主學(xué)習(xí)
，從大量數(shù)據(jù)中得到相應(yīng)參數(shù)
。這個過程
，就是機器學(xué)習(xí)
。

機器學(xué)習(xí)旨在發(fā)現(xiàn)數(shù)據(jù)存在和利用的模式，并用它們進行學(xué)習(xí)及做出預(yù)測

。機器學(xué)習(xí)的過程
，就是用計算機算法不斷地優(yōu)化模型
，讓它越來越接近真實情況的過程。它與人類學(xué)習(xí)的道理如出一轍
。

考察人的學(xué)習(xí)通常方式是考試

，如果分?jǐn)?shù)不及格
，就需要進一步學(xué)習(xí)
。機器學(xué)習(xí)也要這樣來衡量
，它的目標(biāo)用專業(yè)術(shù)語來說，就是“期望值最大化”
。

機器學(xué)習(xí)的效果取決于兩個方面：一方面是學(xué)習(xí)的深度。機器學(xué)習(xí)并不能“一口吃成個胖子”

，它的訓(xùn)練算法需要迭代執(zhí)行
。這如同人在學(xué)習(xí)時要通過復(fù)習(xí)來“溫故而知新”一樣。機器學(xué)習(xí)迭代的次數(shù)越多
，即學(xué)習(xí)得越深入，得到的數(shù)學(xué)模型效果越好
。另一方面是數(shù)據(jù)的質(zhì)與量
。正如我們做大量優(yōu)質(zhì)習(xí)題，成績就會提高
。機器學(xué)習(xí)也是如此
，訓(xùn)練數(shù)據(jù)量越大
，學(xué)習(xí)效果就會越好
。

根據(jù)數(shù)學(xué)模型的特點，機器學(xué)習(xí)有兩種方法：一種是利用已知模型進行訓(xùn)練

；另一種是在模型未知的情況下
，設(shè)計一些簡單通用的模型結(jié)構(gòu)
，然后使用大量的數(shù)據(jù)進行訓(xùn)練
，訓(xùn)練成什么樣就是什么樣。這便是我們常聽到的人工智能“黑箱”問題
，即使訓(xùn)練有效
，也不清楚里面是什么。

深度學(xué)習(xí)就是后一種機器學(xué)習(xí)的方法

。人工智能涵蓋的領(lǐng)域十分廣泛，深度學(xué)習(xí)只是其中的一個分支
，屬于機器學(xué)習(xí)的范疇
。人工智能需要有“獨立思考”能力與機器學(xué)習(xí)技術(shù)的支持，深度學(xué)習(xí)便是幫助機器實現(xiàn)“獨立思考”的一種方式
。

深度學(xué)習(xí)迎來革命性突破

人工神經(jīng)網(wǎng)絡(luò)，簡稱神經(jīng)網(wǎng)絡(luò)

，是一種模仿動物中樞神經(jīng)系統(tǒng)結(jié)構(gòu)和功能的數(shù)學(xué)模型
，是用大量簡單處理單元經(jīng)廣泛連接而組成的人工網(wǎng)絡(luò)。它其實是一個特殊的分類器
，用于對函數(shù)進行估計等
。

神經(jīng)網(wǎng)絡(luò)為許多問題的研究提供了新思路

，特別是迅速發(fā)展的深度學(xué)習(xí)
，能發(fā)現(xiàn)高維數(shù)據(jù)中的復(fù)雜結(jié)構(gòu)，取得比傳統(tǒng)機器學(xué)習(xí)更好的效果
。

20世紀(jì)50年代，人類第一次設(shè)計出計算機能運行的神經(jīng)網(wǎng)絡(luò)算法

。此時的神經(jīng)網(wǎng)絡(luò)
，雖然給了人們很多遐想空間，卻解決不了實際問題
，因此被打入“冷宮”
。

到了20世紀(jì)80年代末期

，人們提出反向傳播算法
，可讓一個神經(jīng)網(wǎng)絡(luò)模型從大量樣本中學(xué)習(xí)統(tǒng)計規(guī)律
，從而對未知事件做出預(yù)測。隨后
，支持向量機等各種各樣的機器學(xué)習(xí)方法被相繼提出。不過
，這些模型的結(jié)構(gòu)均為淺層學(xué)習(xí)方法
，處理復(fù)雜問題的能力受到一定制約。因此
，神經(jīng)網(wǎng)絡(luò)再進“冷宮”
。

2006年

，加拿大教授辛頓和他的學(xué)生提出深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的“快速學(xué)習(xí)”算法
，使深度學(xué)習(xí)迎來了革命性突破。深度學(xué)習(xí)通過學(xué)習(xí)一種深層非線性網(wǎng)絡(luò)結(jié)構(gòu)
，展現(xiàn)出了從少數(shù)樣本中集中學(xué)習(xí)數(shù)據(jù)及本質(zhì)特征的強大能力
。

從此

，神經(jīng)網(wǎng)絡(luò)學(xué)會了反復(fù)分類以及識別物體的方法，并展現(xiàn)出乎意料的精準(zhǔn)度
。

計算能力成為推動深度學(xué)習(xí)的利器

人工神經(jīng)網(wǎng)絡(luò)在被提出的50年間

，都沒能很好地解決智能問題。究其原因
，除了算法本身不完善外，還在于計算機絕對速度不夠快
，而且單位計算能力的能耗太高
，無法通過大量服務(wù)器搭建并行計算系統(tǒng)，來達成深度人工神經(jīng)網(wǎng)絡(luò)
。

那么

，靠什么加以突破
？答案就是摩爾定律
。

摩爾定律是英特爾聯(lián)合創(chuàng)始人戈登·摩爾在1965年提出的一項觀察結(jié)論，即計算機的總體處理能力大約每2年就會翻一番

。經(jīng)歷近50年的歷史檢驗
，摩爾定律展現(xiàn)出驚人的準(zhǔn)確性。摩爾定律帶來的結(jié)果是
，在過去的半個多世紀(jì)里，計算機處理器性能增長了上億倍
，耗電量卻降到了百分之一
。

從能量角度看，摩爾定律反映出了人類在單位能耗下

，所能完成信息處理能力的大幅提升
。而這正是實現(xiàn)人工智能的基礎(chǔ)所在
。

從某種意義上說

，不僅是深度學(xué)習(xí)技術(shù)，今天的人工智能都是靠算力成就的
。

人工智能的崛起

，有3個技術(shù)要素：一是它解決了可計算問題，即在算法上的突破
；二是它積累了大量數(shù)據(jù)，形成了可學(xué)習(xí)的原材料；三是摩爾定律所推測的
，處理能力得到持續(xù)提高
。

算力是推動深度學(xué)習(xí)的利器。計算能力越強

，同樣時間內(nèi)積累的經(jīng)驗就越多
、迭代速度也越快，深度學(xué)習(xí)的性能也就越高
。

不斷進化的深度學(xué)習(xí)之道

1997年，“深藍”在國際象棋比賽中戰(zhàn)勝加里·卡斯帕羅夫

；2016年
，AlphaGo在圍棋比賽中戰(zhàn)勝李世石。

雖然這兩種人工智能系統(tǒng)都學(xué)會了下棋

，但教授它們的方式以及它們?nèi)绾伪荣悾瑒t大相徑庭
。

“深藍”的核心評估函數(shù)對給定盤面進行數(shù)字“排序”

，而且函數(shù)是手工設(shè)計的。這種比賽風(fēng)格
，實際上是一種“蠻力”
。“深藍”將其評估函數(shù)應(yīng)用到許多備選的未來狀態(tài)
，對每個棋手預(yù)先搜索七八步
，以2億次/秒的速度進行局面評估
。

AlphaGo的學(xué)習(xí)方法則迥然不同

。它通過一種雙管齊下的深度學(xué)習(xí)方法“學(xué)習(xí)”，用“價值網(wǎng)絡(luò)”評估局面
，用“策略網(wǎng)絡(luò)”選擇走棋
。

深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，一部分通過使用人類高手對弈數(shù)據(jù)集的監(jiān)督學(xué)習(xí)進行（總出棋數(shù)約為3000萬步）

，另一部分通過對自我對弈非監(jiān)督強化學(xué)習(xí)進行（模擬成千上萬場隨機比賽）。它不使用預(yù)測搜索
，走棋是單個“圍棋局面”整體評估的結(jié)果
。

2017年5月，在中國烏鎮(zhèn)圍棋峰會上

，AlphaGo的升級版AlphaGo Zero
，與世界排名第一的圍棋冠軍柯潔對戰(zhàn)
，結(jié)果以3∶0的總比分完勝。

令人震驚的是

，AlphaGo Zero一開始并沒接觸過人類棋譜。它使用了新的強化學(xué)習(xí)方法
，從單一神經(jīng)網(wǎng)絡(luò)開始
，通過神經(jīng)網(wǎng)絡(luò)強大的搜索算法，進行自我對弈訓(xùn)練
。隨著自我對弈次數(shù)的增加，神經(jīng)網(wǎng)絡(luò)逐漸調(diào)整
，提升預(yù)測下一步的能力
，最終成為具備超強棋力的“選手”。更為厲害的是
，隨著訓(xùn)練的深入
，AlphaGo Zero還獨立發(fā)現(xiàn)了游戲規(guī)則
，走出了新策略
，為圍棋這項古老游戲帶來了新見解。

目前

，深度學(xué)習(xí)在許多領(lǐng)域取得了技術(shù)性突破
，并展示了極佳效果。然而
，它仍存在一些局限：理論研究缺乏
、無監(jiān)督學(xué)習(xí)能力弱、缺少邏輯推理和記憶能力等
。

深度學(xué)習(xí)對未來社會發(fā)展具有重要意義

，需要不斷深入研究，從多方向多角度更全面地開發(fā)深度學(xué)習(xí)的潛在價值
。面對復(fù)雜的戰(zhàn)場
，以深度學(xué)習(xí)為代表的人工智能技術(shù)也已逐步滲透到軍事領(lǐng)域
，深刻影響著人類戰(zhàn)爭
。

可以推斷，未來作為“左右互搏術(shù)”的深度學(xué)習(xí)

，必將繼續(xù)升級演化
，開啟更高深的境界。

（來源：中國青年報）