活動
招募
專題
打開CSDN應用程序。
版權？CSDN.NET，1999-2020，版權所有
搜索博客帖子/帖子/用戶
登錄
喜歡打醬油的老鳥。
密切註意
深度學習技術的發展趨勢分析
2019-04-09 08:37:11
1喜歡
喜歡打醬油的老鳥。
代碼年齡2歲
密切註意
/s/fthikinev 483 HIE 053 rpkg
目前，人工智能的發展已經被深度學習技術的突破所充分關註和推動。世界各國政府都很重視，資本熱潮還在加碼。各行各業也達成了* * *認識，認為它已經成為發展熱點。本文旨在分析深度學習技術的現狀，判斷深度學習的發展趨勢，並根據我國的技術水平提出發展建議。
壹、深度學習技術的現狀
深度學習是這壹輪人工智能大爆發的關鍵技術。人工智能技術在計算機視覺和自然語言處理方面的突破，迎來了人工智能新壹輪的爆發式發展。而深度學習是實現這些突破的關鍵技術。其中，基於深度卷積網絡的圖像分類技術已經超過人眼的準確率，基於深度神經網絡的語音識別技術已經達到95%的準確率，基於深度神經網絡的機器翻譯技術已經接近人類的平均翻譯水平。準確率的大幅提升，使得計算機視覺和自然語言處理進入產業化階段，帶來了新興產業的崛起。
深度學習是大數據時代的算法武器，近年來成為研究熱點。與傳統的機器學習算法相比，深度學習技術有兩個優勢。第壹，深度學習技術可以隨著數據規模的增大不斷提升性能，而傳統的機器學習算法很難利用海量數據不斷提升性能。第二，深度學習技術可以直接從數據中提取特征，減少了為每個問題設計特征提取器的工作，而傳統的機器學習算法需要人工提取特征。因此，深度學習已經成為大數據時代的熱門技術，學術界和工業界都對深度學習進行了大量的研究和實踐工作。
深度學習的各種模型全面賦能基礎應用。卷積神經網絡和循環神經網絡是兩種廣泛使用的深度神經網絡模型。計算機視覺和自然語言處理是人工智能的兩個基本應用。卷積神經網絡廣泛應用於計算機視覺領域，在圖像分類、目標檢測、語義分割等任務中的性能大大超過傳統方法。循環神經網絡適合於解決與序列信息相關的問題，在自然語言處理領域得到了廣泛的應用，如語音識別、機器翻譯、對話系統等。
二、深度學習的發展趨勢
深度神經網絡呈現出層次越來越深、結構越來越復雜的發展趨勢。為了不斷提高深度神經網絡的性能，業界從網絡深度和網絡結構兩個方面不斷探索。神經網絡的層數已經擴展到數百層甚至數千層。隨著網絡層數的加深，其學習效果越來越好。2015年，微軟提出的ResNet以152層的網絡深度，首次超過了圖像分類任務的精度。新的網絡設計結構不斷被提出，使得神經網絡的結構越來越復雜。比如2014，Google提出了初始網絡結構，2015，微軟提出了剩余網絡結構，2016，黃高等人提出了密集連接網絡結構。這些網絡結構設計不斷提高了深度神經網絡的性能。
深度神經網絡節點的功能不斷豐富。為了克服當前神經網絡的局限性，業界探索並提出了壹種新型的神經網絡節點，使得神經網絡的功能越來越豐富。2017，傑弗裏？Hinton提出了膠囊網絡的概念，用膠囊作為網絡節點，理論上更接近人腦的行為，以克服卷積神經網絡的局限性，如缺乏空間分層和推理能力。2018年，來自DeepMind、Google Brain和MIT的學者共同提出了圖網絡的概念，定義了壹類新的具有關系歸納偏向功能的模塊，旨在賦予深度學習因果推理的能力。
深度神經網絡工程應用技術正在深化。深度神經網絡模型大多參數上億，占用空間數百兆，很難部署到智能手機、相機、可穿戴設備等性能和資源有限的終端設備上。為了解決這個問題，業界采用模型壓縮技術，減少模型的參數和大小，減少計算量。目前使用的模型壓縮方法包括對訓練好的模型進行剪枝(如剪枝、權重分擔和量化等。)和設計更精細的模型(如MobileNet等。).深度學習算法建模和參數調整過程復雜，應用門檻高。為了降低深度學習的應用門檻，業界提出了自動機器學習(AutoML)技術，可以實現深度神經網絡的自動化設計，簡化使用過程。