汕头网站推广找谁,作文网课,自己做应用的网站,html代码例子一、深度学习
1.1 人工智能 1.2 人工智能#xff0c;机器学习和深度学习的关系
机器学习是实现人工智能的一种途径#xff0c;深度学习是机器学习的一个子集#xff0c;也就是说深度学习是实现机器学习的一种方法。与机器学习算法的主要区别如下图所示[参考#xff1a;黑…一、深度学习
1.1 人工智能 1.2 人工智能机器学习和深度学习的关系
机器学习是实现人工智能的一种途径深度学习是机器学习的一个子集也就是说深度学习是实现机器学习的一种方法。与机器学习算法的主要区别如下图所示[参考黑马]: 传统机器学习算术依赖人工设计特征并进行特征提取深度学习方法不需要人工而是依赖算法自动提取特征 深度学习模仿人类大脑的运行方式从经验中学习获取知识。这也是深度学习被看做黑盒子可解释性差的原因。随着计算机软硬件的飞速发展现阶段通过深度学习来模拟人脑来解释数据包括图像文本音频等内容。目前深度学习的主要应用领域有: 语音识别计算机视觉自动驾驶 卷积神经网络(Convolutional Neural Network) 循环神经网络(Recurrent Neural Network) 生成对抗网络(Generative Adversarial Networks) 深度强化学习(Deep Reinforcement Learning) 1.3 深度学习发展 深度学习所需要的神经网络技术起源于20世纪50年代叫做感知机。 当时也通常使用单层感知机尽管结构简单但是能够解决复杂的问题。后来感知机被证明存在严重的问题因为只能学习线性可分函数连简单的异或(XOR)等线性不可分问题都无能为力1969年Marvin Minsky写了一本叫做《Perceptrons》的书他提出了著名的两个观点: 1.单层感知机没用我们需要多层感知机来解决复杂问题 2.没有有效的训练算法。 20世纪80年代未期用于人工神经网络的反向传播算法(也叫Back Propagation算法或者BP算法)的发明给机器学习带来了希望掀起了基于统计模型的机器学习热潮。 这个热潮一直持续到今天。人们发现利用BP算法可以让一个人工神经网络模型从大量训练样本中学习统计规律从而对未知事件做预测。这种基于统计的机器学习方法比起过去基于人工规则的系统在很多方面显出优越性。这个时候的人工神经网络虽也被称作多层感知机 (Multi-layerPerceptron)但实际是种只含有一层隐层节点的浅层模型。 20世纪90年代各种各样的浅层机器学习模型相继被提出 例如支撑向量机 (SVMSupportVector Machines)、Boosting、最大熵方法(如LRLogistic Regression)等。这些模型的结构基本上可以看成带有一层隐层节点 (如SVM、Boosting)或没有隐层节点 (如LR)这些模型无论是在理论分析还是应用中都获得了巨大的成功。相比之下由于理论分析的难度大训练方法又需要很多经验和技巧这个时期浅层人工神经网络反而相对沉寂. 2006年杰弗里·辛顿以及他的学生鲁斯兰·萨拉赫丁诺夫正式提出了深度学习的概念。 他们在世界顶级学术期刊《科学》发表的一篇文章中详细的给出了“梯度消失”问题的解决方案--通过无监督的学习方法逐层训练算法再使用有监督的反向传播算法进行调优。该深度学习方法的提出立即在学术圈引起了巨大的反响以斯坦福大学、多伦多大学为代表的众多世界知名高校纷纷投入巨大的人力、财力进行深度学习领域的相关研究。而后又迅速蔓延到工业界中 2012年在著名的ImageNet图像识别大赛中杰弗里·辛顿领导的小组采用深度学习模型AlexNet一举夺冠。 AlexNet采用ReLU激活函数从根本上解决了梯度消失问题并采用GPU极大的提高了模型的运算速度。同年由斯坦福大学著名的吴恩达教授和世界顶尖计算机专家Jeff Dean共同主导的深度神经网络--DNN技术在图像识别领域取得了惊人的成绩在lmageNet评测中成功的把错误率从26%降低到了15%。深度学习算法在世界大赛的脱颖而出也再一次吸引了学术界和工业界对于深度学习领域的关注。 2016年随着谷歌公司基于深度学习开发的AphaGo以4:1的比分战胜了国际顶尖围棋高手李世石深度学习的热度一时无两。后来AlphaGo又接连和众多世界级围棋高手过招均取得了完胜。这也证明了在围棋界基于深度学习技术的机器人已经超越了人类。 2017年基于强化学习算法的AlphaGo升级版AlphaGo Zero横空出世。其采用“从零开始”、“无师自通”的学习模式以100:0的比分轻而易举打败了之前的AphaGo。除了围棋它还精通国际象棋等其它棋类游戏可以说是真正的棋类”天才”。此外在这一年深度学习的相关算法在医疗、金融、艺术、无人驾驶等多个领域均取得了显著的成果。所以也有专家把2017年看作是深度学习甚至是人工智能发展最为突飞猛进的一年。 2019年基于Transformer 的自然语言模型的持续增长和扩散这是一种语言建模神经网络模型可以在几乎所有任务上提高NLP的质量。Google甚至将其用作相关性的主要信号之一这是多年来最重要的更新。 2020年深度学习扩展到更多的应用场景比如积水识别路面塌陷等而且疫情期间在智能外呼系统人群测温系统口罩人脸识别等都有深度学习的应用。 二、 计算机视觉
计算机视觉是指用摄像机和电脑及其他相关设备对生物视觉的一种模拟。它的主要任务让计算机理解图片或者视频中的内容就像人类和许多其他生物每天所做的那样。 我们可以将其任务目标拆分为: 目标分类让计算机理解图片中的场景 (办公室客厅咖啡厅等)让计算机识别场景中包含的物体 (宠物交通工具人等)目标检测让计算机定位物体在图像中的位置 (物体的大小边界等)让计算机理解物体之间的关系或行为 (是在对话比赛或吵架等)以及图像表达的意义(喜庆的悲伤的等) OpenCV阶段主要学习图像处理而图像处理主要目的是对图像的处理比如平滑缩放等想、从而为其他任务 (比如“计算机视觉”) 做好前期工作。 2.1 任务
根据上述对计算机视觉目标任务的分解可将其分为三大经典任务: 图像分类、目标检测、图像分割。 图像分类 (Classification): 即是将图像结构化为某一类别的信息用事先确定好的类别(category)来描述图片。 目标检测 Detection):分类任务关心整体给出的是整张图片的内容描述而检测则关注特定的物体目标要求同时获得这一目标的类别信息和位置信息 (classificationocalization) 图像分割 (Segmentation): 分割是对图像的像素级描述它赋予每个像素类别 (实例)意义适用于理解要求较高的场景如无人驾驶中对道路和非道路的分割。 2.2 计算机视觉的发展
1963年Larry Roberts发表了CV领域的第一篇专业论文用以对简单几何体进行边缘提取和三维重建。 1966年麻省理工学院(MIT)发起了一个夏季项目目标是搭建一个机器视觉系统完成模式识别(pattern recognition)等工作。虽然未成功但是计算机视觉作为一个科学领域的正式诞生的标志。
1982年学者David Marr发表的著作《Vision》从严谨又长远的角度给出了CV的发展方向和-些基本算法其中不乏现在为人熟知的图层”的概念、边缘提取、三维重建等标志着计算机视觉成为了一门独立学科。
1999年David Lowe提出了尺度不变特征变换 (SIFT,Scaleinvariant feature transform) 目标检测算法用于匹配不同拍摄方向、纵深、光线等图片中的相同元素。 2009年由Felzenszwalb教授在提出基于HOG的deformable parts model可变形零件模型开发它是深度学习之前最好的最成功的object detection recognition算法。 Everingham等人在2006年至2012年间搭建了一个大型图片数据库供机器识别和训练称为PASCAL Visual object Challenge该数据库中有20种类别的图片每种图片数量在一千至-万张不等。 2009年李飞飞教授等在CVPR2009上发表了一篇名为《ImageNet:ALarge-ScaleHierarchicallmage Database》的论文发布了lmageNet数据集这是为了检测计算机视觉能否识别自然万物回归机器学习克服过拟合问题。 2012年Alex Krizhevsky、llya Sutskever 和 Geoffrey Hinton 创造了一个“大型的深度卷积神经网络”也即现在众所周知的AlexNet赢得了当年的ILSVRC。这是史上第一次有模型在lmageNet 数据集表现如此出色。自那时起CNN才成了家喻户晓的名字。 2014年蒙特利尔大学提出生成对抗网络(GAN):拥有两个相互竞争的神经网络可以使机器学习得更快。一个网络尝试模仿真实数据生成假的数据而另一个网络则试图将假数据区分出来。随着时间的推移两个网络都会得到训练生成对抗网络 (GAN)被认为是计算机视觉领域的重大突破。 2018年末英伟达发布的视频到视频生成(Video-to-Video synthesis)它通过精心设计的发生器、鉴别器网络以及时空对抗物镜合成高分辨率、照片级真实、时间一致的视频实现了让AI更具物理意识更强大并能够推广到新的和看不见的更多场景。 2019更强大的GANBigGAN是拥有了更聪明的学习技巧的GAN由它训练生成的图像连它自己都分辨不出真假因为除非拿显微镜看否则将无法判断该图像是否有任何问题因而它更被誉为史上最强的图像生成器
