风一笑 的blog

开源深度学习框架对比

本节对5个开源深度学习框架进行对比研究,主要侧重于3个维度研究:硬件支持率、速度和准确率、社区活跃性。他们分别是:TensorFlow、Caffe、Keras、Torch、DL4j 。

2.3.1 硬件支持率

本节研究的硬件利用率指不同开源深度学习框架对于不同CPU/GPU配置下对硬件的支持效率与通用性能表现。

开源深度学习框架对比
表2.1展示了各框架对于不同硬件的通用支持性能。

2.3.2 速度和准确率

本节将梯度计算时间、前馈传播和反馈传播时间总和度量,不对各项进行细分。且所有试验数据基于CPU。

模型。

未来即将“触脸可及”,人脸识别技术大揭秘!

今天,我们将从技术专家给出的流程图切入,对“你最像哪位明星?”这张小应用对比照背后的基本流程与算法做解析。

未来即将“触脸可及”,人脸识别技术大揭秘!
“你最像哪位明星?”对比照

未来即将“触脸可及”,人脸识别技术大揭秘!
图1:人脸技术的基本流程

如图 1 所示,用户在应用中输入一张图像(例如:特朗普的图像),人脸识别的基本流程如下:
• 通过人脸检测技术,找到输入图像中的人脸位置。
• 关键点定位技术,将人脸中的关键点位置找到,例如:眼睛、鼻子、嘴巴以及轮廓上的关键点。

代码之外,我们能在多大程度上信任人工智能呢

关于人工智能(AI)这个相当过时的概念,最近引起了大量的讨论。人工智能充斥着我们的生活,涉及了无数的应用程序,从谷歌搜索,到Uber或Lyft打车软件,到机票价格,到智能助手Alexa。对一些人来说,人工智能是一种拯救,它会提高生活质量,同时在众多成熟的行业中注入创新元素。

然而,另一些人则发出了可怕的警告:我们很快就会完全被高超的机器智能所征服。人工智能是典型的软件主导,而软件是容易出现漏洞的。考虑到这一点,我们如何知道人工智能本身是足够可靠去完成工作的?或者更确切地说,我们对于人工智能的成果能够信任到什么程度?

盲目信任的风险

我们来讨论一下自动驾驶汽车。汽车自动驾驶系统的发展中,人工智能的元素发挥了很大的作用。现在制造出了大部分时间都遵守道路规则的车辆。这里有一个案例,一辆自动驾驶汽车在佛罗里达州侧面撞上一辆转弯的卡车,导致“司机”死亡。这起事故最终被归咎于“司机”的失误,因为自动控制装置被认为是在他们的设计范围内运行的。当时的躲避系统设计要求雷达和视觉系统的结果达成一致后做出闪避的动作。

人工智能、数据挖掘、机器学习和深度学习的关系

一、人工智能

人工智能(Artificial Intelligence),英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括语音识别、图像识别、机器人、自然语言处理、智能搜索和专家系统等。

人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能,但能像人那样思考、也有可能超过人的智能。

二、数据挖掘

数据挖掘(Data Mining),顾名思义就是从海量数据中“挖掘”隐藏信息,按照教科书的说法,这里的数据是“大量的、不完全的、有噪声的、模糊的、随机的实际应用数据”,信息指的是“隐含的、规律性的、人们事先未知的、但又是潜在有用的并且最终可理解的信息和知识”。在商业环境中,企业希望让存放在数据库中的数据能“说话”,支持决策。所以,数据挖掘更偏向应用。

数据挖掘通常与计算机科学有关,并通过统计、在线分析处理、情报检索、机器学习、专家系统(依靠过去的经验法则)和模式识别等诸多方法来实现上述目标。

三、机器学习

「深」到什么程度才能称得上是「深度」学习呢?

不管你是业内人士还是业外人士,在人工智能以燎原之势发展的今天,相信对于AI、机器学习、深度学习这些词汇,你或多或都有一定的了解,而其中作为人工智能前沿的深度学习,火爆程度更是非同寻常,似乎每个人都在探求它的奥妙和神奇之处。

而当我们第一次接触深度学习这个概念时,通常会遇到这样一个问题:

“一个机器学习模型深到何种程度才能被视作深度学习模型?”

这可能听起来像是一个好问题。毕竟,在深度学习中,我们使用的都是更深、更复杂的模型。

但结果却表明,我们提出的是一个非常愚蠢的问题,我们需要从一个不同的角度切入,来看深度学习以了解为什么。

那接下来我们先来了解一下深度学习的几组定义。

“机器学习中的一个子领域,它是基于学习多种表现形式的算法,以便在数据之间建立复杂关系。因此,较高级别的特征和概念就是根据较低级别的特征和概念进行定义的,且这种特征层次被称之为深度架构。”——《深度学习:方法与应用》

对人工神经网络的隐式行为进行可视化

在许多机器学习任务中,人工神经网络尤其是近些年发展起来的深度学习网络,已经取得了十分瞩目的结果。然而,以前研究者往往将神经网络的内部行为当作黑盒来看待,神经网络到底学习到了什么并不了解。近些年来,研究者们逐渐开始关注这一问题,并通过了解其内部行为来帮助优化模型。而这篇工作则是从可视化的角度出发来对待这个问题。

为了理解这篇工作的内容,我们首先需要对神经网络有一定的了解。神经元是神经网络中的最基本单元。一个神经元 (neuron) 接受若干个输入,计算它们的加权和,然后使用“激活”函数对这个和进行处理后,得到输出值。其中,这里的权重就是这个神经元待学习的参数。若干个神经元可以组成一个层 (layer),同一层的神经元之间没有值的传递关系。而多个层可以依次排列起来,前一层中所有(或者部分)神经元的输出作为下一层各个神经元的输入。除了第一层的神经元不需要输入,而直接输出数据的某一分量;最后一层的神经元的输出不再作为其他神经元的输入,而直接用于相应的任务。图1就是这样一种典型的神经网络,它具有三层,第一层为输入,最后一层为输出,中间一层称之为隐含层。我们可以将一个神经网络看作依次对输入数据进行处理的函数,每经过一层原始数据就得到一次变换,最后一层变换后的结果则直接用于处理对应任务。

干货丨初学者 AI 入门指南:深度学习的五级分类

编者按:目前AI被笼统划分为“弱人工智能”、“强人工智能”、“超人工智能”三个类别。甚至在很多业内专家(比如洪小文)眼中,只有“强”、“弱”AI的区别,因为“超人工智能”离我们实在还很远,难以捉摸。这样的笼统分类显然不利于大众对于各项AI技术进行认识和理解。因此,一些专家开始提出基于技术难度和AI智能水平的分类、分级方法。其中,美国学者Arend Hintze提出了对AI的四级分类, 而Intuition Machine联合创始人Carlos Perez又提出了针对深度学习的五级分类。这些分类方法对各层次AI技术进行了简单的归类,有助于初学者更好地认识AI 。

密歇根州立大学副教授Arend Hintze发表了一篇很有价值的短文章《理解AI的四种类别:从响应式机器到有自我意识的存在》( “Understanding the four types of AI, from reactive robots to self-aware beings” )。文中,他提出了对AI的四级分类:

• 响应式

这是最基本的AI类型,无法产生记忆,不能利用过去的经验做决策。它们是“专才”而非“通才”,为完成特定任务所设计,不能胜任其他任务。

• 有限记忆

深度学习项目成功的六要素

深度学习可以应用在哪些场合呢?这是大家在理解深度学习和其它人工智能技术时首先想到的问题。我们往往陷入一个误区,认为“人工智能”可以搞定一切。

若要回答这个问题,首先要知道另一个问题的答案,“我们手中是否已经有足够的数据”?然而,这个问题也需要足够的领域知识才能作答。在学术意义上,我们想理解“边界条件”;或者换句话说,我们想理解问题的内在约束条件。那么,深度学习和人工智能问题的“边界条件”究竟是什么呢?

早些时候,笔者讨论过“什么是可知的”和“什么是知识的当前状态?若想理解领域知识,就必须搞明白知识的当前状态是什么。不确定度是以可知的内容为参照来衡量未知知识的度量。但不确定度有一个奇怪的假设,即假设一切事物最终都是可知的。这相当于我们相信决定论,可是在真实的世界往往捉摸不定。

然而,这个度量名称对我们识别问题的边界很有帮助。下面是问题清单。若问题的答案是否定的,那预示着不确定性的存在。以下采用执行者、活动和环境来描述整个语境。

• 执行的不确定性 - 从环境的初始状态开始,执行者不同的执行顺序是否总是得到同样的最终状态?
• 观测的不确定性 - 执行者是否能够获取完整的环境信息?

2030年,AI 可以为人类创造出哪些工作岗位?

编者按:人工智能将会抢走很多人的工作,这在媒体的报道里面已经成为了事实。但如果我们去看待工业革命给我们带来的改变时,就会发现颠覆性的革命会让一部分人失业,但是也能够重新创造一批工作岗位出来。因此,有不少人认为人工智能带给我们的影响也会如此。人工智能的大规模应用会给我们带来哪些职业呢?Readwrite近期发布的一篇报道给我们展示了一些可能性,作者“TRIF”是一个风险投资专家团队,包括Tiffine Wang,Ivy Nguen,Ryan Morgan和Freddy Dopfel。

随着虚拟助手开始帮助我们回复电子邮件,机器人开始取代人类在制造业流水线上的工作,大规模的自动化似乎即将到来,大量的人将会失业就近在眼前了。

但我们很容易忘记,在我们越来越焦虑的情况下,这些自动化的系统并非是“全知”和“全能”的。

正如我们许多人在与人工智能的互动中所观察到的,这些系统现在只能执行重复的、狭义定义的任务。当被要求脱离规定的脚本时,它们很快就会出现失误。正如工业革命待带给这个社会的一样,技术进步消除了一些历史角色,在新的经济现实中,以前无法想象的工作将会出现。我们将这两种想法结合起来,勾勒出2030年高度自动化的经济中可能出现的新就业机会。

培训、监督和协助机器人

拒绝AI威胁论炒作!盘点AI无法替代人类的10件事

最近社会似乎对人工智能、机器人、聊天机器人等过度炒作。首先我承认我也大肆宣传过这一话题。我之所以讨论这个话题,是因为我认为当今时代的科技发展令人兴奋,但如今我已经厌倦了对人工智能的炒作。

实际上,机器人和人工智能与那些似乎想要真心提供服务的人是完全不同的。我们之所以对机器人、自动化和自动服务技术如此兴奋,是因为多年来我们一直试图在品牌和消费者之间创造空间和机会。因为与客户打交道可能成本高昂、消耗资源、耗费时间。

我们的理念是:“怎样才能在保持低运营成本的同时,尽可能以同样的服务质量服务更多的人。”说到机器人和自动化,你希望重要的医疗诊断是机器人给你的吗?你会想去剧院看一群机器人表演吗?现在让我们来谈谈机器人不能做的事情吧,冷静一下,用反乌托邦式的眼光看待未来。盘点机器人永远无法取代人类的10件事。

1.机器人不能像人类一样注视你

只要我们还记得机器是为人类服务的,机器就不会毁灭人类。昨晚我看了电影《隐藏人物》——在电影中扮演宇航员约翰·格伦的演员说,IBM的主机着陆时可能发出了不正确的轨迹信息,“你不能相信不是亲眼所见的东西。”他说的很对。你能相信那些不能像人类一样理解事物、行动的东西吗?机器为我们服务,应该永远如此。技术若失去管理或干预而自由发展,机器就不能得到正确的发展。

同步内容
--电子创新网--
粤ICP备12070055号