demi的博客

随着材料科学、感知人工智能以及5G、云等网络技术的不断进步，将出现护理机器人、仿生机器人、社交机器人、管家机器人等形态丰富的机器人，涌现在家政、教育、健康服务业，带给人类新的生活方式。

一般而言，深度卷积网络是一层又一层的。层的本质是特征图, 存贮输入数据或其中间表示值。一组卷积核则是联系前后两层的网络参数表达体, 训练的目标就是每个卷积核的权重参数组。

算法中的learning rate a（学习率）、iterations(梯度下降法循环的数量)、L（隐藏层数目）、n（隐藏层单元数目）、choice of activation function（激活函数的选择）都需要你来设置，这些数字实际上控制了最后的参数W和b的值，所以它们被称作超参数。

全连接神经网络，需要的参数过多，例如1000*1000的图像，则输入层有10^6个节点，若隐藏层也有10^6个节点，则输入层到隐藏层的参数有10^12个。CNN用局部感知和权值共享大大减少了参数，同时还具备其它优点。它们与自然图像自身具有的特性：特征的局部性与重复性完美贴合。

自动驾驶可减少塞车状况、提高行车效率，以及增进乘客、驾驶、行人的安全性，促进城市发展。2018年，2级(L2)自动驾驶于市场占据主导地位；预测在2021年，4级(L4)自动驾驶将开始进入市场；2030年，5级(L5)自动驾驶的市场将兴起。

智能医疗主要运用的人工智能技术，是影像与数据分析能力；但应用范围愈来愈广，包括以下这六种：医疗影像；；；；

近年来，人工智能技术发展取得了极大的进步，在一些领域甚至超越了人类自身的认知能力。人工智能也从一个纯粹的技术领域一跃成为社会各界共同关注的话题。各国纷纷出台人工智能战略，加强顶层设计，人工智能由此成为国际竞争的新焦点。

机器学习中参数更新的方法有三种：① Batch Gradient Descent，批梯度下降；② Stochastic Gradient Descent，随机梯度下降；③ Mini-batch Gradient Decent，小批梯度下降。

防止过拟合的方法主要有：正则化；dropout；增加训练数据；提前停止训练过程。

CNNs是第一个真正成功训练多层网络结构的学习算法。它利用空间关系减少需要学习的参数数目以提高一般前向BP算法的训练性能。CNNs作为一个深度学习架构提出是为了最小化数据的预处理要求。在CNN中，图像的一小部分（局部感受区域）作为层级结构的最低层的输入，信息再依次传输到不同的层，每层通过一个数字滤波器去获得观测数据的最显著的特征。