yabo手机版登录|深度学习下的智能技术应用存在哪些问题？

过去几年中，归功于高速计算出来芯片（GPU）及大量的标示数据，作为当下最风行的机器学习方法，深度自学在医疗领域、制造业领域及商业等各个应用领域中都获得了突破性的成绩，随着人工智能技术的大大革新，未来，AI将不会以各种有所不同的应用于形态经常出现在我们身边，未来的AI发展速度也将打破摩尔定律。　　由于完全所有的人工智能领域的问题都可以转化成为分类问题，因此机器学习的基本步骤可分成如下形式：目标预处理－特征提取－目标分类，机器学习是一个级联串行结构，因此每一环节的处理结果都会影响到最后的分类效果，在传统的机器学习中针对其中的各个环节都有其各自独立国家的算法：目标预处理：直方图归一化，弯曲矫正，形态学处置等；特征提取：LBP，Haar，SIFT，SURF（HandcraftedFeatureExtractor），Cluster，BOW（bagofword），Fishervector，PCA，LDA（Unsupervisedfeatures）；分类器：SVM，Decisiontree，Ensample（构建分类器）；由于上述方法具备各自独立性，因此传统机器学习算法在处置问题时必须对各个环节展开优化，并通过人组优化方法在各个模块中挑选拟合的人组方式。与传统机器学习比起深度自学可以把机器学习中的各个部分合成为一个整体结构，通过统一的训练方法（Backpropagation）对其中所有的参数展开调节。当前人们所指的深度自学主要是以CNN（卷积网络）为核心的一系列应用于算法，其算法结构如下图右图：PT1：CNN（卷积网络）算法结构上图中的每一层都是使用卷积方式与某一卷积核展开卷积所获得的结果，每一结果代表了从完整图像所萃取的特征，通过级联方式对图像或信号展开特征提取，最后获得人们想的分类结果。

2000年以前，深层网络较难发散，其原因是传统的网络使用的激励函数为sigmoid／tanh函数，其不受初始化影响较小且不会产生梯度消失的情况。直到2006年Hitton明确提出了RBM方法对网络展开实训练，之后使用了ReLU作为转录函数使得深度自学在数据量比较较小的任务中需要使用实训练模型的方式来训练网络。

到2000中期，卷积神经网络尽管早已在物体分类方面获得了较好的成绩，但其效果还是比传统方法额劣。其原因主要有两方面，一是带上标签的训练样本过于较少；二是计算机的计算出来效率太低。

本文来源：yabo手机版登录-www.tsshx.cn