智能时代的评论 全部393条

我来说两句

• 

  i3****526 2020-10-25

  如何让AI模型拥有自-联想学习能力？“少于一次”的样本学习概念和方法人工智能的演进技术路线和方法对于机器学习模型来说，理论上只需要通过两个样本即可训练模型学会识别任意数量类别。机器学习，尤其是深度学习往往需要大量的训练数据。举个例子，假如现在需要让人工智能模型 “认识” 马这种动物。常规的做法是挑选成百上千的马匹图像对其进行训练。之所以需要如此之多的样本，是因为同样一匹马，仅仅是转换一个拍摄角度，或微调一些肉眼无法观察的像素点，人工智能就会识别失败，所以需要大量的大小、颜色、体态、朝向、品种不一的样本填满人工智能的 “盲区”。即便如此，人工智能的识别成功概率也不能达到 100%，我们离创造真正可以复现大脑理解能力的人工智能还非常遥远。“更多更大更强” 的思路是没有尽头的。假如我们稍稍停下疲于奔命的脚步，回归到现实中的人类学习过程，就会发现一个触及灵魂的拷问 ——人工智能真的必须依托如此巨量的数据才能够实现吗？

  0 0

• 

  i3****526 2020-10-25

  空间-时间模式：世界的结构空间晶体与时间晶体晶体由于空间平移对称性的破坏而产生。空间晶体即是普通晶体，如钻石或盐，会在空间中重复其原子自组织，但时间上不会显示任何规律性。朗克·韦尔切克于2012年提出时间晶体概念，在2017年观察到，它是物质在时间上重复地排列。从而证实：平移对称性也可以在时间上打破，从而出现离散的时间晶体。时间晶体会自我组织并按时间重复其模式，这意味着它们的结构会随着时间的推移而周期性的变化。时间晶体听起来好像属于科幻小说，但它可能是量子网络研究的下一个重大飞跃。芯片中的电子元件是否可以模拟时间晶体这种自组织模式构建记忆晶体模型的新型计算机呢？这种新型计算机虽然只具有很少的计算能力，但是它在结构上更是对大脑皮层分层结构的一种逼近方式。这个类神经网络的人工量子网络奇思妙想点子所在：用时间晶体模拟复杂的量子网络。时间晶体的探索是一个非常活跃的研究领域，并且已经实现了多种多样的实验实现。但是，尚缺乏对时间晶体的性质及其表征以及一组建议的应用程序的直观完整的了解。将基于图论和统计力学新工具应用于研究时间晶体的量子属性，从而填补这一空白。在时间中移动的重复模式即预测

  0 0

• 

  i3****526 2020-10-24

  雷达嵌入式芯片对智能设备的控制如键盘、触摸屏等直接接触控制手段外，不用遥控（只是远红外线信号发送装置）还有什么现代科技手段呢？雷达遥控技术就可以实现“隔空取物”式的隔空操作我们拥有最灵巧的双手，能够直接触摸世界，若是如同手势辅助语言那样，将其与智能硬件结合为产生什么离奇效果呢？这个奇思妙想可能实现的技术途径是什么呢？为了让手指的动作指令能被设备所感知，我们采用转盘手势、刻度手势、按钮手势和位移手势等，但这并非易事，为此设计雷达系统这种雷达系统工作原理与蝙蝠声呐系统和军用雷达系统并无本质上区别，只是采用隐形雷达代替摄像机，如此便可随意将其嵌入各种物体，用60千兆赫兹（GHz）的雷达频谱，以及高达每秒1万帧的速度从芯片中发出识别手指的动作，并使用宽波速识别动作、速度和距离。首先要攻克的技术关卡就是将雷达微型化（降低缩小至毫米级），其次是如何将微型雷达嵌入到只有1/4硬币大小的芯片中。如此制作的雷达芯片便可以捕捉到5毫米波长的手指动作，然后再将手势转换成模仿触摸屏上的命令，并借此达到对设备的操作控制。雷达芯片现已晋级为无线通信Wi-Gig（无线千兆联盟），即将取代目前的Wi-Fi

  0 0

• 

  i3****526 2020-10-24

  将损失幽数设置为复合函数并尝试将其简化为 L1 或 L2。我们发现 L1 对异常值的敏感度较低，当遇到有噪声的批处理或训练点时，L1 的调整幅度较小。仔细检查你的可视化效果，如果适用的话。你的可视化库是调整数值的比例，还是剪切它们？还可以考虑使用一种感觉上一致的配色方案。构建的卷积神经网络进行实际回归实验，用于处理损失图损失函数图形分析：

  0 0

• 

  i3****526 2020-10-24

  构建深度学习的卷积神经网络实例：机器学习图像处理高方差输入值糟糕的初始化所导致的急剧变化的梯度降低学习率对 ADAM 优化器并没有特别的帮助深度学习目的：通过训练让损失收敛，使模型达到预期效果在单个数据样本上让网络过拟合模型不能对单个数据点进行过拟合，那么可能是体系结构出现严重问题，但问题可能很微妙若是模型可以过拟合一个数据点，但是在更大的集合上的训练仍然不收敛，那该怎么办呢？降低学习率：网络学习速度会变慢，但它可能会进入一个以前无法进入的最小值，因为之前它的步长太大了。提高学习率：这将加快训练，帮助收紧反馈回路，这意味着你会更早知道你的网络是否在工作。虽然网络应该更快地收敛，但它的结果可能不会很好，而且“收敛”的过程实际上可能会跳来跳去。调试/可视化工具梯度消失或梯度爆炸第N次迭代网络只有在没有 bug 的情况下才可以用使用整个训练集减少梯度更新才能标示出正确的权重更新方向若是自然特征在空间上是局部的，那么，自然景观变得支离破碎如何改变图像的 X、Y 维度，又不破坏空间局部性？图像/通道如何适当对齐？

  0 0

• 

  i3****526 2020-10-24

  卷积神经网络应用于深度学习的实用技巧如果你的卷积层有 64 或 128 个滤波器，那可能就足够了。特别是对于深度网络。实际上，128 已经很多了。如果你已经有了大量的滤波器，那么添加更多的滤波器可能不会改善性能。池化用于转换不变性。池化本质上是让网络学习图像“那部分”的“大意”。例如，最大池可以帮助卷积网络对图像中特征的平移、旋转和缩放变得健壮。构建深度神经网络

  0 0

• 

  i3****526 2020-10-24

  应用神经网络模型进行深度学习的实用技巧使用 variance-scaled 初始化。在 Tensorflow 中，就像tf.contrib.layers.variance_scaling_initializer()。在我们的经验中，这比常规的高斯分布、截断的正太分布和 Xavier 更能泛化/缩放。variance scaling 初始化根据每一层的输入或输出的数量来调整初始随机权重的方差(TensorFlow 中的默认值是输入的数量)，从而帮助信号更深入地传播到网络中，而不需要额外的“技巧”，比如 clipping 或 batch normalization。Xavier 是很相似的方法，但是 Xavier 的所有层的方差几乎相同，在那些层的形状变化很大的网络(通常是卷积网络)中，可能不能很好地处理每一层相同的变化。

  0 0

• 

  i3****526 2020-10-24

  构建神经网络模型训练深度神经网络的实用技巧使用 ADAM 优化器：比起传统优化方法原始的梯度下降，更注意保存和恢复权重，记得在设置好AdamOptimizer之后设置Saver ，因为 ADAM 也有需要恢复的状态(即每个权重的学习率)。ReLU 是最好的非线性(激活函数)：最好的文本编辑器Sublime毕竟是一个成品，而ReLUs 却可以快速的、简单的，而且令人惊讶的是，它们能够工作，并且没有梯度衰减的问题。虽然 sigmoid 是一种常见的教科书式激活函数，但它不能很好地通过 DNNs 传播梯度。不要在输出层使用激活函数。这应该是显而易见的，但这是一个很容易犯的错误，如果你用一个共享函数构建每个层：一定要在输出处关闭激活函数。一定要在每一层添加一个偏差。这是 ML 101：偏差本质上是将飞机转换成最佳位置。在y=mx+b中，b 是偏差，允许直线向上或向下移动到“最合适”的位置。

  0 0

• 

  i3****526 2020-10-24

  视网膜能够感受光刺激，并将其转化为电信号通过神经传导至大脑皮层视觉中枢，形成视觉。视网膜具有复杂的结构，主要分为神经视网膜层和视网膜色素上皮（RPE）层。此外，与RPE紧紧相连的脉络膜对视网膜也起着重要的营养与支持作用。由于视网膜结构具有高度异质性和复杂性，传统的研究技术难以精确揭示视网膜退行性变化过程中的关键易感细胞，以及细胞类型特异的基因变化规律。利用单细胞转录组测序技术绘制了非人灵长类视网膜衰老的高精度单细胞转录组图谱，系统解析了灵长类视网膜及脉络膜退行性演变过程中的基因表达变化规律。利用优化的单细胞转录组测序技术STRT，系统地鉴定15种主要细胞类型，包括视锥、视杆细胞、RPE细胞等在内的视网膜层细胞以及成纤维细胞、血管内皮细胞等在内的脉络膜层细胞。此外，还鉴定出一类具有神经发育潜能的穆勒胶质细胞亚群，描绘了细胞类型特异的基因表达特征。

  0 0

• 

  i3****526 2020-10-24

  研究者观察到，腺苷浓度在睡眠时相转变时存在快速的变化，提示其与神经元的活动密切相关。为了进一步探究腺苷浓度增加与神经元活动的关系，研究组探究了基底前脑区两类神经元：乙酰胆碱能神经元和谷氨酸能神经元与腺苷浓度变化的相关性和因果性。试验分析，这两类神经元的钙活动与胞外腺苷浓度高度相关，并且神经活动总是提前于腺苷释放。该研究表明，谷氨酸能神经元的活动参与调控胞外腺苷积累过程。发现基底前脑区的谷氨酸能神经元对于睡眠压力的积累起着重要的调控作用，进一步揭示了睡眠稳态调控的神经环路机制，为深入研究睡眠稳态调节机制奠定了坚实的基础，为探索睡眠障碍的治疗方法提供了重要参考。

  0 0

393 条记录 11/40 页 上一页 下一页 第一页 11 12 13 14 15 最后一页