深度学习

深度学习的关键术语

摘要: 本文着重介绍了深度学习的一些关键术语,其中包括生物神经元,多层感知器(MLP),前馈神经网络和递归神经网络。对于初学者来说,掌握它们可以防止在学习请教时的尴尬~

深度学习已经成为编程界的一股潮流,因为其在许多领域取得了令人难以置信的成功,使其在研究和工业领域广受欢迎。那么到底什么是深度学习呢?深度学习是应用深层神经网络技术:即利用具有多个隐藏层的神经网络结构来解决问题的过程。深度学习是一个过程,如数据挖掘,它采用深度神经网络架构,它是特定类型的机器学习算法。

深度学习最近取得了令人吃惊的成就。但,至少在我看来,谨记一些事情是很重要的:

1. 深度学习不是万能的——它不是一个解决所有问题的万能的解决方案。

2.它不是传说中的王牌算法——深度学习不会取代所有其他机器学习算法和数据科学技术、或者至少它还没有证明如此。

Deephi 的 Yi Shan 于 2018 年 1 月 9 日在法兰克福举办的 XDF 2018 Edge Track 上分享了一个用例演示。Yi Shan 讨论了在深度学习方面取得的成功,并分享了有关全栈深度学习推论解决方案的用例。

作者:Steve Leibson,编译:黑夜

说起AI相信大家肯定大家都不陌生,搞过深度学习的人可能都会碰到一个问题,那就是没有一个好的加速硬件,例如GPU,很难做深度学习。小编今天带大家走进一篇关于机器学习加速芯片的报告,来看一下未来的机器学习加速市场。在这篇名为“加速器:下一代机器学习芯片”的报告中,德勤全球预测,“到2018年底,用于加速数据中心机器学习的所有芯片中,超过25%将是FPGA,ASIC”。报告接着说道:“这些芯片将大大提高机器学习的使用率,使应用程序能够消耗更少的功率,同时变得更具相应能力,灵活性和处理能力,这将扩大其市场”。在后来的报告中指出:“机器学习应用还将售出20万多个FPGA和10万个ASIC芯片”。

近日,Github 发布了一篇博客,预测了 2018 年开源项目的发展趋势,这些趋势可以帮助开发人员在共享知识的同时,寻求方法简化流程,并 get 新技能。

去年,Github 有来自将近 200 个国家的 2400 万的开发者聚集在一起,共同编写更好更强大的代码。2017 年,从框架到数据可视化,共构建了 2500 多万个存储库,今年的数据似乎还会有所上升。

今年,Github 整理了 2017 年社区上贡献者、访问者和最受欢迎活动的数据,以预测 2018 年开源项目的发展趋势。

项目趋势

跨平台开发

DNNDK首次版本升级 1.10正式发布

深鉴自主研发的国内首款深度学习开发SDK——DNNDK (Deep Neural Network Development Kit) 自2017年10月17日发布后,受到业内的广泛关注,也收获了许多肯定。为进一步完善DNNDK软件生态、提高工具链易用性,深鉴DNNDK团队进行了大量的完善和改进工作,完成了第一次版本升级——DNNDK v1.10!本次升级后的开发包已在深鉴官方网站正式上线,欢迎点击下载体验: http://www.deephi.com/zh-cn/dnndk.html

升级背景

DPU(Deep-learning Processor Unit,深度学习专用处理器)是深鉴科技为解决深度学习类应用重计算负载需求专门优化和设计的计算加速平台,支持图像和视频的分类 (Classification)、分割 (Segmentation)、检测 (Detection)、跟踪 (Tracking),以及语音识别 (Speech Recognition) 等各种AI场景类应用需求。DPU有一套专门针对DNN (深度神经网络) 算法设计的优化指令集,可灵活高效地支持各种神经网络算法。

IDC中国于2017年12月发布了《机器学习、深度学习开源项目应用机会分析》,针对开源机器学习项目的商业化应用进展做了深入研究。 在此次研究中,我们调研了中国机器学习市场进展,研究了开源项目商业化应该考虑的问题,并且深入访谈了机器学习系统部署的案例,也分析了开源技术产品化的潜在机会。希望能够为开源技术使用者提供参考和借鉴。

开源社区赋能+开发者高度热情+企业降本增效的需求驱动机器学习项目部署
越来越多的行业组织开始部署机器学习、深度学习项目,这些项目中有很多技术组件来源于开源社区。用户基于开源框架开始在云服务中或者本地数据中心探索面向各种业务场景的行业应用解决方案。对机器学习有高度热情的开发者、开源社区的赋能、已被成功应用的社区开发模型,催生了正在增长的机器学习、深度学习市场。

开源项目应该看什么

机器学习和深度学习概念入门(上)

1、人工智能、机器学习、深度学习三者关系

对于很多初入学习人工智能的学习者来说,对人工智能、机器学习、深度学习的概念和区别还不是很了解,有可能你每天都能听到这个概念,也经常提这个概念,但是你真的懂它们之间的关系吗?那么接下来就给大家从概念和特点上进行阐述。先看下三者的关系。

人工智能包括了机器学习,机器学习包括了深度学习,他们是子类和父类的关系。

下面这张图则更加细分。

2、什么是人工智能

Tensorflow在更新1.0版本之后多了很多新功能,其中放出了很多用tf框架写的深度网络结构( https://github.com/tensorflow/models ),大大降低了开发难度,利用现成的网络结构,无论fine-tuning还是重新训练方便了不少。最近笔者终于跑通TensorFlow Object Detection API的ssd_mobilenet_v1模型,这里记录下如何完整跑通数据准备到模型使用的整个过程,相信对自己和一些同学能有所帮助。

Object Detection API提供了5种网络结构的预训练的权重,全部是用COCO数据集进行训练,这五种模型分别是SSD+mobilenet、SSD+inception_v2、R-FCN+resnet101、faster RCNN+resnet101、faster RCNN+inception+resnet101。各个模型的精度和计算所需时间如下。下面及介绍下如何使用Object Detection去训练自己的模型。

初学者必看!深度学习入门指南

前言

机器学习技术为现代社会的许多领域提供了强大的技术支持:从网络搜索到社交网络的内容过滤,再到电子商务网站的产品推荐。机器学习技术正越来越多的出现在消费级产品上,比如照相机和智能手机。 机器学习系统可用于识别图像中的对象,将语音转换成文本,选择搜索结果的相关项,以及匹配新闻、帖子或用户感兴趣的其他东西。 类似的应用越来越多,它们都使用了一种叫做深度学习的技术。

深度学习(也称为深层结构学习、层次学习或深度机器学习)是基于对数据中的高级抽象进行建模的算法,它属于机器学习的分支。最简单的例子,你可以有两组神经元:接收输入信号的神经元和发送输出信号的神经元。当输入层接收到输入时,它将输入的修改版本传递给下一层。在深层网络中,输入和输出层之间有很多层(层并不是由神经元构成,这里只是为了帮助你思考),这些层允许算法使用多个处理层,这些层包含了多个线性和非线性变换。

一文读懂深度学习与机器学习的差异

机器学习和深度学习变得越来越火。突然之间,不管是了解的还是不了解的,所有人都在谈论机器学习和深度学习。无论你是否主动关注过数据科学,你应该已经听说过这两个名词了。

为了展示他们的火热程度,我在 Google trend 上搜索了这些关键字:

如果你想让自己弄清楚机器学习和深度学习的区别,请阅读本篇文章,我将用通俗易懂的语言为你介绍他们之间的差别。下文详细解释了机器学习和深度学习中的术语。并且,我比较了他们两者的不同,别说明了他们各自的使用场景。

什么是机器学习和深度学习?

让我们从基础知识开始:什么是机器学习?和什么是深度学习?如果你对此已有所了解,随时可以跳过本部分。

什么是机器学习?

一言以蔽之,由 Tom Mitchell 给出的被广泛引用的机器学习的定义给出了最佳解释。下面是其中的内容:

同步内容