在過去十年中，機器學習在很多領域都取得了前所未有的進展，如圖像識別，自動駕駛汽車、和玩復雜游戲如「GO」等。這些成就在很大程度上都是通過采用監督學習和強化學習兩種范式中的一種來訓練深度神經網絡得以實現的。這兩種范式都要求人為設定「訓練信號」并將其傳遞給計算機。在監督學習的示例中，這些信號被視為「目標」(例如某個圖像的正確標簽);在強化學習中，它們是行為正確時獲取的「獎勵」(例如在 Atari 游戲中獲得高分)。因此，機器學習的界限是由人類訓練者所定義的。

　　雖然一些科學家認為，擁有足夠包容的訓練體制，如使智能體具備完成各類任務的能力，就應該足以達到通用的智能水平，但其他人則認為真正的智能需要更多的獨立學習策略。例如，回歸到人類幼童如何學習的場景，她的祖母可能會坐在她身旁，耐心地舉出什么是「鴨子」的例子(該行為像是監督學習中的指示信號)，或者在她完成木版拼圖時用掌聲表示獎勵(如同在強化學習中一樣)。但是，幼兒在絕大多數時間里都是在天真地探索世界，通過好奇心、游戲和觀察的方式來理解她周圍的環境。無監督學習是一種旨在通過獎勵智能體(即計算機程序)來創建自主智能以便在不考慮特定任務的情況下學習其觀察到的數據的范式。換句話說，智能體是為了學習而學習。

　　無監督學習的一個關鍵動機是，雖然傳遞給學習算法的數據擁有很豐富的內部結構(如圖像、視頻和文本)，但用于訓練的目標和獎勵通常都非常稀疏(例如，標簽「狗」指的是尤其多變的物種，標簽「0」或「1」表示游戲中的「失敗」或「成功」)。這表明算法學到的大部分內容必須包括對數據本身的理解，而不是將這種理解應用于特定任務。

　　解碼視覺元素大連專業婦科醫院 http://www.dlfkyy.net/

　　2012 年是深度學習的里程碑年，這一年，AlexNet (以其首席架構師 Alex Krizhnevsky 命名)席卷ImageNet 分類競賽，其識別圖像的能力被認為是前所未有的，而更令人矚目的則是它的內部結構。當研究人員分析 AlexNet 時，發現它通過構建圖像輸入更復雜的內部表示來解釋圖像。在底層表示如紋理和邊緣之類的低層特征，然后將它們組合在一起形成高級概念，如輪子和狗。

　　這與我們的大腦處理信息的方式非常相似，在初級感官處理區域的簡單邊緣和紋理被聚合成復雜對象，如更高區域中的面部。因此，復雜場景的表示可以由視覺基元構建，這種方式大致類似于構成句子的單個詞所帶來的意義。即使沒有明確的指導，AlexNet 的層級也已經發現了一個基本的視覺「詞匯」來解決其任務。從某種意義上說，它已經學會了玩 Wittgenstein 所謂的「語言游戲」，該游戲會反復地將像素轉換為標簽。

轉載于:https://blog.51cto.com/14292175/2390009

總結

以上是生活随笔為你收集整理的从小部件的调整入手，AI 让你秒变时尚达人的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。