深度学习

01 术语整理 本节概述机器学习及其三个分类(监督学习、非监督学习和强化学习)。首先，与机器学习相关的术语有人工智能(Artificial Intelligence，AI)、机器学习(Machine Learning，ML)、强化学习、深度学习等，这里对这些术语进行简单的整理。 AI意味着人工智能，其定义因研究人员而异。从广义上讲，它指“像人类一样具有智能的系统和配备这种系统的机器人”。实现AI的方法之一是机器学习。 机器学习可以简单地描述为“向系统提供数据(称为训练数据或学习数据)并通过数据自动确定系统的参数(变量值)”。相反，基于规则的系统是非机器学习系统的一个例子。在基于规则的系统中，由人类来清楚地定义分支条件的参数，例如实现代码中所存在的if语句等。 另一方面，机器学习自动根据训练数据确定代码中的参数，以使系统运行良好。之所以称为机器学习，正是因为系统能根据训练数据计算和确定系统运行所需的参数。 强化学习是机器学习中的一种。机器学习可分为三大类：监督学习、非监督学习和强化学习。我们稍后会讨论这三个分类，这里只需要认识到强化学习是机器学习的一部分即可。 接下来是深度学习。深度学习是实现机器学习的算法之一。机器学习的算法包括逻辑回归、支持向量机(Support Vector Machine，SVM)、决策树、随机森林和神经网络等。深度学习是神经网络中的一种。 最后是深度强化学习

张宏 ：移动机器人全局定位技术与方法是啥？道翰天琼认知智能机器人平台API接口大脑为您揭秘。 人工智能不仅要复现人类的大脑，还要构建容纳智能大脑的身体，机器人将是人工智能的完全体。8月7日-8月9日，2020年全球人工智能和机器人峰会（简称“CCF-GAIR 2020”）在深圳如期举办！CCF-GAIR由中国计算机学会（CCF）主办，雷锋网、香港中文大学（深圳）联合承办，鹏城实验室、深圳市人工智能与机器人研究院协办，以“AI新基建 产业新机遇”为大会主题，致力打造国内人工智能和机器人领域规模最大、规格最高、跨界最广的学术、工业和投资领域盛会。今年CCF-GAIR 2020 的“机器人前沿专场”汇集了来自学术界和产业界的专家、有院士级人物、承担国家级机器人研究项目的大牛以及产研能力兼具、奋斗在机器人商业化一线战场的开拓者。本次专场首先出场的嘉宾是加拿大阿尔伯塔大学终身教授张宏。张宏教授是加拿大工程院院士、IEEE Fellow。曾经担任在温哥华举行的2017年IEEE 世界智能机器人与系统大会（IROS)总主席，最近马上要加入中国南方科技大学电子与电器工程系。迄今为止，张宏教授已在国际顶级期刊及重要会议上发表了将近200余篇文章，涉及机器人操作、多智能系统、视觉检测和视觉导航。张宏教授今天的演讲主题是《移动机器人全局定位技术与方法》。张宏：大家早上好

作者|PRATEEK JOSHI 编译|VK 来源|Analytics Vidhya 介绍 机器学习框架或库有时会更改该领域的格局。今天，Facebook开源了一个这样的框架，DETR(DEtection TRansformer) 在本文中，我们将快速了解目标检测的概念，然后直接研究DETR及其带来的好处。 目标检测 在计算机视觉中，目标检测是一项任务，我们希望我们的模型将对象与背景区分开，并预测图像中存在的对象的位置和类别。当前的深度学习方法试图解决作为分类问题或回归问题或综合两者的目标检测任务。 例如，在RCNN算法中，从输入图像中识别出几个感兴趣的区域。然后将这些区域分类为对象或背景，最后，使用回归模型为所标识的对象生成边界框。 另一方面，YOLO框架（只看一次）以不同的方式处理目标检测。它在单个实例中获取整个图像，并预测这些框的边界框坐标和类概率。 要了解有关目标检测的更多信息，请参阅以下文章： 基本目标检测算法的分步介绍 https://www.analyticsvidhya.com/blog/2018/10/a-step-by-step-introduction-to-the-basic-object-detection-algorithms-part-1/?utm_source=blog&utm_medium=facebook-detection

来源：图灵教育 今天是计算机科学之父、人工智能之父 艾伦·麦席森·图灵 诞辰 108 周年。作为“图灵意志”的传承者，依照惯例，在今日纪念这位伟人。 从“图灵机”到“图灵测试”，从破译德军的 Enigma 到自杀之谜，图灵一生都是传奇，关于图灵的故事我们不在这里赘述，感兴趣的读者请看文末推荐阅读。今天我们更想聊聊，计算机领域最高奖项 —— 图灵奖（Turing Award）。 为纪念艾伦·麦席森·图灵在计算机领域的卓越贡献，美国计算机协会于1966年设立图灵奖，此奖项被誉为计算机科学界的诺贝尔奖。 每年，美国计算机协会将要求提名人推荐本年度的图灵奖候选人，并附加一份 200 到 500 字的文章，说明被提名者为什么应获此奖。 任何人都可成为提名人，但美国计算机协会将组成评选委员会，对被提名者进行严格的评审，并最终确定当年的获奖者，当年的图灵奖一般于次年3月下旬颁发。 虽然图灵奖被称为计算机界的诺贝尔奖，但与诺贝尔奖 140 万美元的奖金相比，图灵奖的奖金显得相形见绌。 初时期为 20 万美金， 1989 年增长到 25万美金，2015 年开始，Google 宣布赞助图灵奖奖金，金额达到 100 万美元。 群星闪耀的时代 下面我们来盘点一下，这 54 年里的图灵奖得主及其主要贡献，来看看那些“计算机领域的巨星”。 1960年代 艾伦·佩利 Alan J. Perlis 贡献领域

前言 极验九宫格是如何实现的呢？大致可以分为几个步骤，把整张图片根据需求分割成10份，其中包括：小标题+9张图。直接将文本和图片一同训练即可，新鲜出炉可测试，接口如下。 测试接口 测评机器 请求接口： 请求地址 Content-Type 参数形式 请求方法 http://152.136.181.66:19099/captcha/v1 application/json JSON POST 具体参数： 参数名 必选 类型 说明 image Yes String Base64 编码 Python请求示例： import base64 import requests with open ( r "1.jpg" , "rb" ) as f : img_bytes = f . read ( ) r = requests . post ( "http://152.136.181.66:19099/captcha/v1" , json = { "image" : base64 . b64encode ( img_bytes ) . decode ( ) , } ) 返回样例： { "message" : "锅,积木,锅,锅,积木,积木,梅花鹿,梳子,瓢虫,老虎" , "code" : 0 , "success" : true , "uid" : "f4114ea4-d496-11ea-8fc0

前段时间我在Techbeat上做了一个关于AI芯片的讲座，这里我整理了一个文字的版本，分享给大家。 TechBeat - 让AI大有可为 ​ www.techbeat.net 我们说AI芯片，一般是泛指所有用来加速AI应用，特别是基于神经网络的深度学习应用的硬件，它可以是一颗独立的芯片，也可以是芯片中的模块，其基本技术都是相关的。 当我们讨论AI芯片出现的背景的时候，经常会看到这两张图。左边这张是openai在2018年发布的报告，简单来说，它的结论就是从2012年到2018年，我们训练神经网络模型需要的计算量呈指数型增长。这背后一方面是因为我们使用的神经网络模型的规模越来越大，另一方是要训练这样的模型需要更大的数据集。这个规律我们也称为AI的摩尔定律。 右边这张图是通用处理器的性能在40年间增长的趋势，可以看到，在近10年，处理器性能的增长已经非常缓慢了，很难达到实际的摩尔定律最初的预测。 综合来说，AI计算的需求爆炸性增长，而通用处理的处理能力很难提升，这中间就出现一个很明显的gap。 所以，一个很直接的想法就是，如果通用处理器不能满足AI计算的需求，我们是否可以设计针对AI计算的专用处理器呢？答案当然是肯定的。这也就是领域专用计算的概念。一般来说，一个领域是不是适合开发专用的处理器有两个条件，第一是这个领域的应用需求足够大，有很强的动力驱动相应的研发投入

在上期文章中，我们概括性的介绍了Python给光学仿真带来的各种便利和优势，本章将直接开门见山，通过仿真来实现一种最重要的光学现象-光的衍射：以矩孔衍射为例。 光的衍射带来了什么重要应用？ 2019年7月，一篇现象级的大作问鼎《Science》：UCLA的科学家Aydogan Ozcan首次提出一种全新的光学-AI系统，即全光衍射神经网络（ All-optical machine learning using diffractive deep neural networks ）。 该系统由多层物理衍射表面形成，这些物理结构协同工作，通过光束在各衍射层中的传播，光速地执行各种复杂功能。虽然这个物理网络的推理和预测机制是在光学场景下的，但其学习和训练部分是通过计算机在深度学习算法框架下完成的。其基本模型基于深度学习原理，其中给定每层物理衍射表面上的每个微纳单元充当神经元，具有复值透射系数，可对入射光进行相位调制，振幅调制或相位-振幅同时调制。通过使用深度学习手段来训练每层的复值透射系数，不断优化各物理衍射表面上复值透射系数分布，提高光学衍射神经网络输出性能，通过探测代表其分类结果在探测平面上的能量分布，以执行网络输入和输出平面之间既定的分类和目标识别功能。在这个学习阶段之后，该模型的设计得以固定的，一旦它被制造，如利用3D打印技术

无论是在传统机器学习领域还是现今炙手可热的深度学习领域，基于训练样本有明确标签或结果的监督学习仍然是一种主要的模型训练方式。尤其是深度学习领域，需要更多数据以提升模型效果。目前，已经有一些规模较大的公开数据集，如 ImageNet，COCO 等。 对于深度学习入门者，这些公开数据集可以提供非常大的帮助；但是对于大部分企业开发者，特别在医学成像、自动驾驶、工业质检等领域中，他们更需要利用专业领域的实际业务数据定制 AI 模型应用，以保证其能够更好地应用在业务中。因此， 业务场景数据的采集和标注也是在实际 AI 模型开发过程中必不可少的重要环节。 数据标注的质量和规模通常是提升 AI 模型应用效果的重要因素，然而完全通过人力手动标注数据建立一个高质量、大规模专业领域数据集却并不容易：标注人员的培训与手工标注成本高、耗时长。为解决此问题，我们可以利用主动学习的方法，采用“Human-in-the-loop”的交互式框架（图1）进行数据标注，以有效减少人工数据标注量。 图1 基于主动学习的“Human-in-the-loop”交互式数据标注框架 主动学习（ActiveLearning，AL）是一种挑选具有高信息度数据的有效方式，它将数据标注过程呈现为学习算法和用户之间的交互。 其中，算法负责挑选对训练 AI 模型价值更高的样本，而用户则标注那些挑选出来的样本。如“Human-in-the

　　 　　 大数据文摘出品 　　 来源：Techxplore 　　 编译：张睿毅、Andy 　　前段时间，文摘菌曾提过价值53万一只的波士顿动力机器狗，也有进行太空探索的昆虫机器人，万万没想到的是，这次来了一个和大家一样上网课的机器人。 　　不知道你有没有想过这种场景，去医院做手术时，医生助手已经不是可爱的护士小姐姐，而是 两只冷冰冰的机械臂，以快准狠的手法帮你缝合伤口 。 　　最近在Google Brain，英特尔还有UC伯克利的合作研究中，研究人员通过用手术教学视频来对机器人进行“训练”，让其能模仿手术过程。 　　 　　之前，UC伯克利的教授有用过YouTube视频指导机器人学习各种动作（比如跳跃和跳舞）， 而Google则是有训练机器人理解场景中的深度还有动作。 　　于是这次的团队，决定 将之前的研究成果结合起来，应用于最新项目Motion2Vec。 　　Motion2Vec：机器人也要上网课 　　Motion2Vec算法，能用真实手术视频来指导机器人学习相关手术动作。 　　在最近发布的论文里，研究人员简单介绍了他们如何用YouTube视频来训练 两臂达芬奇（da Vinci）机器人在针刺机上进行缝合操作。 　　它从模仿学习的视频演示中，获得以运动为中心的操作技能。其中表示的算法一致性、可解释性和监督学习的负担是该项目模仿学习中的关键问题

作者： Will Douglas Heaven 翻译： 王晓颖 校 对： wwl 本文长度为 2000字 ，建议阅读 5分钟 如果需要靠AI来扭转病人的处境，那我们需要了解当人类真正地使用AI时，它在现实情况下到底是怎么工作的。 在实验室里超级精确的谷歌医学AI用到现实生活中略有不同。 新型冠状病毒（covid-19）使得世界上很多国家的医疗资源到达了使用的临界点。毫不意外地，很多人都希望人工智能（AI）可以加速病人筛查并且缓解临床人员的压力。但是从谷歌医学（Google Health：如果你想了解关于深度学习工具在实际临床医学设置中的影响，会最先查阅的平台）的一个研究 表明哪怕是最精确的人工智能若未能根据医疗临床场景定制，那么当其实际使用到医学中时依然会让情况变得更糟。 链接： https://www.blog.google/technology/health/healthcare-ai-systems-put-people-center/ 现有的部署临床环境AI的规则主要关注精确度，例如美国食品和药物管理局（FDA）的审核标准以及欧洲的CE 认证标准，对于AI 必须使病人的治疗结果提升到什么程度并没有明确的要求，其主要原因是很多实验目前还未运行。但是一位在Google Health 的UX 研究员 Emma Beede 提出：“这些需要改变。在AI工具被大量部署之前