2018,AI的几大看点
2018-01-13 5574 8
根据2017年的人工智能领域的最新和最重大进展,分享下2018的几大看点。

全部神经网络的独有模式


来源:机器之心


现代发展的问题之一(不仅局限于人工智能产业)是,我们有几十个不同的框架来完成同样的东西。今天。每个做机器学习的大公司都必然有自己的框架:谷歌、Facebook、亚马逊、微软、英特尔、甚至是索尼和 Uber。此外,还有很多开源的解决方案!在一个简单的人工智能应用中,我们也希望使用不同的框架:例如,计算机视觉通常用 Caffe2、自然语言处理常用 PyTorch、推荐系统常用 Tensorflow 或 Keras。把这些框架全部合并起来需要耗费大量的开发时间,并且会让数据科学家和软件开发者无法集中注意力完成更重要的任务。


解决方案必须是一个独一无二的神经网络形式。它需要能从任何框架中容易地获得,必须由开发人员轻松部署,并能让科学家轻易地使用。在这个问题上,今年出现了 ONNX:

实际上,它只是非循环计算图的简单格式,但却在实际中给了我们部署复杂人工智能解决方案的机会,而且我个人认为它非常具有吸引力——人们可以在像 PyTorch 这样的框架中开发神经网络,无需强大的部署工具,也不需要依赖 Tensorflow 的生态系统。



自动机器学习替代流程


来源:机器之心


设计神经网络结构是件痛苦的任务——有时候你可以通过添加卷积层获得不错的结果;但是大多数时候,你需要使用超参数搜索方法(如随机搜索或贝叶斯优化)或是直觉仔细设计结构的宽度、深度和超参数。在计算机视觉领域,你至少可以调整在 ImageNet 上训练的 DenseNet。但如果你在某些 3D 数据分类或多变量时间序列应用中工作,这一点将尤其困难。而Google Research 的进展中使用 AutoML 生成的计算机视觉模型,比人类设计的网络工作的更快、更好!



SA-VAE框架,生成任意风格的汉字


来源:https://arxiv.org/abs/1712.06424


清华大学Danyang Sun通过将一个汉字的隐藏特征分解成内容相关和风格相关的成分来捕捉汉字的不同特征。考虑到复杂的形状和结构,将结构信息作为先验知识纳入框架来指导结果的生成。通过推理一个字体未知的汉字的风格组成,架构展示出了强大的单样本/少样本(one-shot/low-shot)泛化能力。同时,这是首次尝试仅仅通过观察一个或者少数样本生成新字体汉字的工作。通过融合不同内容和风格的特征向量来生成不同风格的汉字,大量实验证明了这个架构的有效性。


内容来源:MATRIX下一代区块链

版权声明:文章不构成投资建议,观点不代表币源社区立场,我们尊重版权,如有疑问敬请联系,我们将核实并删除。

我要评论
字数上限500
评论(8)
  • a843066743

    发表于7个月前

    gasdf

  • a843066743

    发表于7个月前

    收费低

  • bitwiner

    发表于7个月前

    感谢楼主的分享666

  • bitwiner

    发表于7个月前

    感谢楼主的分享666

  • biyuan168

    发表于7个月前

    感谢楼主的分享666

  • lx22169

    发表于7个月前

    调戏我

  • lx22169

    发表于7个月前

    高帮

  • 13654138200

    发表于7个月前

    比人类设计的网络工作的更快、更好