蓝盟IT小贴士，来喽！
深度学习是机器学习的子定径套，是在练习例子中开发AI的科学。 但是，直到近年，由于效率低下，被AI社区大幅拒绝。 在此三年五载，大量的数据和订正资源的可用性将受到神经网络的关注，能够解决现实世界问题的深刻的学习算法将成为可能。
为了培训深度学习模型，基本上需要为神经网络提供许多带评论的示例。 该这些个的例子可以是带有标签条的物体图像、患者的乳房x射线摄影图片扫描及其最终结果等。 神经网络对图像进行仔细分析和比较，开发了表示相似类别图像间重复模式的数学模型。
imagenet (包含22000类别的1400万张以上图像的数据库)和Mn ist (包含60000个手写数字的数据定径套)等大规模的开源项目数据定径套已经存在。 AI工程师可以利用这些个资源来培训深度学习模式。
但是，训练深度学习模式需要网站数据库非常强大的补正资源。 开发者通常使用专用硬件(如电脑CPU、显示芯片群集星空卫视或Google tensor处理器(TPU ) )来高效地培训神经网络。 购买或租赁此类资源的成本可能超过个别开发者或小型组织的概预算。 另外，对于很多问题，训练强有力的AI模型没有一盏茶的例子。
假设AI工程师想要创建图像分类器神经网络来解决特定问题。 工程师可以使用诸如ImageNet之类的公共可用数据定径套来扩展特定领域的摄影图片，而不是收集成千上万的图片。
然而，AI工程师仍然需要花费大量资金来借用在神经网络上执行数百万个这些个图像所需的计算资源，这对于迁移学习是很有帮助的。 转变学习是通过对接受过在先训练的神经网络进行微调来创建新的AI模型的过程。
开发者不是从头开始训练自各儿们的神经网络，而是可以下载预先训练的开源项目深度学习模型，按照自各儿的目的进行微调。 提供了许多训练前的基本模型。 流行的例子是AlexNet，谷歌的Inception-v3和微软的ResNet-50。 这些个的神经网络已经在ImageNet数据定径套中训练。 AI工程师只需使用自己的领域示例进一步进行培训，就可以强化它们。
迁移学习不需要大量的订正预算资源。 通常，一台台式掌门人计算机或一台笔记本计算机可以在几个小时内微调预先训练的神经网络。
文/上海蓝盟 IT外包专家
中文
电话咨询
微信咨询
公众号
