---

2017年深度學(xué)習(xí)十大趨勢預(yù)測

本文作者曾經(jīng)多次預(yù)測了技術(shù)發(fā)展的趨勢，最近的一次預(yù)測是“2011年軟件發(fā)展的趨勢與預(yù)測”。10項(xiàng)預(yù)言中，準(zhǔn)確地命中了6項(xiàng)，比如JavaScript VM、NoSQL、大數(shù)據(jù)分析、私有云、Scala語言等等。今年，他對深度學(xué)習(xí)的發(fā)展趨勢做了一個預(yù)測，主要是研究領(lǐng)域的趨勢預(yù)測，而不是工業(yè)界的應(yīng)用。

深度學(xué)習(xí)框架Caffe源碼解析

作者按：相信社區(qū)中很多小伙伴和我一樣使用了很長時間的Caffe深度學(xué)習(xí)框架，也非常希望從代碼層次理解Caffe的實(shí)現(xiàn)從而實(shí)現(xiàn)新功能的定制。本文將從整體架構(gòu)和底層實(shí)現(xiàn)的視角，對Caffe源碼進(jìn)行解析。

Google使用機(jī)器學(xué)習(xí)助力數(shù)據(jù)中心節(jié)能

虛擬的網(wǎng)絡(luò)世界都是以現(xiàn)實(shí)世界為基礎(chǔ)的。當(dāng)我們?yōu)g覽網(wǎng)站、發(fā)送郵件、上傳視頻灌水論壇時，這些數(shù)據(jù)都將流經(jīng)占地面積超過足球場的數(shù)據(jù)中心。數(shù)據(jù)中心內(nèi)成千上萬臺服務(wù)器每秒鐘消耗的能源都非常驚人。全世界所有的數(shù)據(jù)中心消耗的能源總和約占全世界用電量的2%，如果不加以控制，能源的消耗也將會如同互聯(lián)網(wǎng)使用一樣大爆發(fā)。所以，給數(shù)據(jù)中心能源消耗瘦身這一任務(wù)迫在眉睫。

輕量級大規(guī)模機(jī)器學(xué)習(xí)算法庫Fregata開源：快速，無需調(diào)參

Fregata是TalkingData開源的大規(guī)模機(jī)器學(xué)習(xí)算法庫，基于Spark，目前支持Spark 1.6.x, 很快會支持Spark 2.0。目前Fregata包括了Logistic Regression, Softmax, 和Random Decision Trees三中算法。

三種算法中Logistic Regression, Softmax可以看作一類廣義線性的參數(shù)方法，其訓(xùn)練過程都依賴于凸優(yōu)化方法。我們提出了Greedy Step Averaging[5]優(yōu)化方法，在SGD優(yōu)化方法基礎(chǔ)上實(shí)現(xiàn)了學(xué)習(xí)率的自動調(diào)整，免去了調(diào)參的困擾，大量的實(shí)驗(yàn)證明采用GSA 優(yōu)化方法的Logstic Regression和Softmax算法的收斂速度和穩(wěn)定性都是非常不錯的，在不同數(shù)據(jù)規(guī)模，不同維度規(guī)模和不同稀疏度的問題上都能取得很好的精度和收斂速度。

知識圖譜如何讓智能金融“變魔術(shù)”

智能金融，顧名思義，就是人工智能在金融領(lǐng)域的應(yīng)用。智能金融還是一個比較新的方向，整體上還處于探索的階段。首先，我們需要澄清它和其他一些概念如金融科技、互聯(lián)網(wǎng)金融的區(qū)別。

過去幾年來，“金融科技”（Fintech）成為一個熱門詞。但是大部分的金融科技產(chǎn)品，例如銀行借貸、券商研究、早期投資、對沖基金、外匯支付等還是停留在對金融信息獲取、統(tǒng)計(jì)量化模型、交易完成的信息技術(shù)（IT）保障上。智能金融則再進(jìn)一步，試圖用機(jī)器學(xué)習(xí)、知識表現(xiàn)等人工智能的分支來做決策支持。

總結(jié)

以上是生活随笔為你收集整理的2017年深度学习十大趋势预测的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。