欢迎您进入牛宝app-下载

牛宝app-下载

造洁净厨房 做健康美食

油烟净化一体机批发定制首选服务商

全国免费咨询热线(020) 38889029

当前位置:主页»牛宝app动态»公司新闻»

牛宝app“谷歌大脑”:9个基础方向研究、6大具体

文章出处:未知 人气:发表时间:2021-01-19 01:36

  作为谷歌 AI 帝国的主要部门,谷歌大脑团队不断努力于经由过程研讨和体系工程来鞭策野生智能范畴的开展。客岁他们分享了 2016 年的事情总结。在接下来的一年中,他们在制作智能机械的持久研讨中不竭获得前进,并与来自 Google 和 Alphabet 的其他团队协作,操纵研讨功效来为人类造福。

  克日,该团队根据老例,揭晓了 2017 年的年度总结。这份总结由谷歌初级研讨员 Jeff Dean 代表全部团队执笔。总结分为高低两篇。在上篇中次要引见了 2017 年团队的根底研讨事情,开源一些软件和数据集和用于机械进修的硬件更新。下篇将引见团队在特定范畴的研讨,好比医疗,机械人,和一些根底科学。和更多的关于团队富有的缔造力,公安然平静包涵性的事情,和跟多关于团队本身的内容。

  谷歌大脑团队的存眷的重点是那些能够在机械进修范畴进步了解力和处理新成绩的才能的研讨。以下是一些研讨主题。

  如我们所知,机械进修的算法是由机械进修专家精密设想的,可是需求处理的新成绩屡见不鲜。主动化机械进修的目的就是让计较机主动去处理新的机械进修成绩,而不需求人类机械进修专家在每一个新成绩长进行干涉。假如我们期望获得真实的智能体系,这就是必需的根本才能。

  谷歌大脑团队设想出利用强化进修和演变算法的新的神经收集设想办法。这项事情曾经被扩大到最新的 ImageNet 分类和检测,并展现了怎样主动进修新的优化算法和有用的激活函数。团队主动与谷歌的 Cloud AI 团队协作,让谷歌用户能够享用这项功效,同时将这项研讨在多个标的目的上促进。

  团队开展新的手艺来改进计较机了解和生类语音的才能,并与谷歌的语音团队协作为一个多端到真个语音辨认体系研讨出多种优化办法。这使得 Google 的产物——语音辨认体系的相对单词毛病率低落了 16%。这项事情将很多自力的研讨线索聚集到一同。

  团队还与 Google 的 Machine Perception 团队协作开辟了一种新的文本到语音天生办法,Tacotron 2。它极大地进步了天生的语音的质量。这个模子到达了 4.53 的均匀定见得分(MOS),比拟之下,有声读物中的专业记载语音的 MOS 为 4.58,之前的计较机语音天生体系最好成就也仅仅为 4.34。

  团队不断努力于开辟别致的机械进修算法和办法,包罗在 capsules 上的研讨(明白地寻觅激活特性和谈,作为在施行视觉使命时评价多种差别乐音假定的方法),sparsely-gated mixtures of experts(使十分大的模子仍能有很高的计较服从),超收集(利用一个模子的权重为另外一个模子天生权重),新型多形式模子(在统一模子中跨音频,视觉和文本输入施行多使命进修),基于留意的机制(替换卷积和轮回模子),标记和非标记化的进修优化办法,一种经由过程离散变量的反向传布手艺,和一些对强化进修算法改良。

  谷歌大脑团队关于用机械进修的办法在计较机体系中代替传统的启示式使用十分感爱好。他们曾经展现了怎样利用强化进修来停止安排决议计划,将计较图映照到一组计较装备上,并且比人类专家做的更好。团队还与 Google Research 协作,展现了神经收集成立的索引比传统数据构造(如 B 树,散列表和布隆过滤器)更快,更小。如 NIPS 关于机械进修体系和体系的机械进修会商会上所说的,谷歌大脑团队信赖,他们正在触及在中心计较机体系中利用机械进修这一范畴。

  机械进修及其与宁静和隐私的交互不断是团队存眷的核心。牛宝首页在一篇得到 ICLR 2017“最好论文奖”的的论文中,团队展现了机械进修手艺能够供给差别方法的隐私包管。团队还持续查询拜访了抗性样例的性子,包罗在理想天下中展示的对立性样例,和在锻炼过程当中怎样充实操纵他们来使模子更顺应这些对立性样例。

  固然人们曾经见地到了深度进修的壮大才能,但更主要的是了解它为何起感化,甚么时分不起感化。在另外一篇得到 ICLR 2017“最好论文奖”的论文中,团队向各人分析,今朝的机械进修实际框架没法注释深度进修办法的一些出色的成果。团队展现了,经由过程最优化办法找到的最小值的“平展度”,其实不像最后设想的那样与优良的泛化严密相干。为了更好地了解深层架构下的锻炼历程是怎样停止的,谷歌大脑团队揭晓了一系列阐发随机矩阵的论文,由于它们是大大都锻炼办法的起点。

  理解深度进修的另外一个主要路子就是更好地权衡他们的结果。在近来的一项对浩瀚天生对立收集的比力的研讨中,团队展现了优良的尝试设想和统计松散性的主要性,他们发明很多盛行的对天生模子的加强办法实践上并没有进步它的机能。我们期望这项研讨可以为其他研讨职员供给一个牢靠的尝试研讨的规范。

  团队正在开辟可以更好地注释机械进修体系的办法。在三月份,团队与 OpenAI,DeepMind,YC Research 等协作,颁布发表推出 Distill,这是一本努力于撑持人类对机械进修的停止了解的在线开放式科学杂志。它因对机械进修观点的明晰阐释和在超卓的交互式可视化东西而广受赞誉。在第一年,Distill 上就揭晓了很多启示性的文章,旨在理解各类机械进修手艺的内部事情机理,我们等待 2018 年迎来更多能够。

  数据集关于机械进修研讨的主要性不问可知。像 MNIST, CIFAR-10, ImageNet, SVHN, and WMT 如许的开源数据集不断鞭策着机械进修飞速开展。谷歌大脑团队和 Google Research 在已往一年不断主动地为开放式机械进修研讨公然风趣的新数据集,供给更多的大型标识表记标帜数据集,包罗:

  纵观团队的汗青,很多构建的东西曾经在 Google 的很多产物使用,停止机械进修研讨并布置机械进修体系。2015 年 11 月,第二代机械进修框架 TensorFlow 开源,团队期望全部机械进修社区可以从中受益。在 2017 年 2 月,TensorFlow 1.0 公布。在 11 月,1.4 版本公布,这此中包罗主要的增加内容:用于交互式号令式编程的 Eager execution,TensorFlow 法式的优化编译器 XLA,和合用于挪动装备和嵌入式装备的轻量级处理计划 TensorFlow Lite。如今,预编译的 TensorFlow 二进制文件如今曾经在 180 多个国度被下载了超越一万万次,GitHub 上的源代码如今曾经有超越 1200 个奉献者。

  本年 2 月,首届 TensorFlow 开辟者峰会胜利举行,吸收了 450 多人亲临现场参与举动,6500 人寓目直播,在环球 35 多个国度和地域举行了超越 85 场的当地寓目举动。一切谈判都被记载下来,主题包罗新特征,利用 TensorFlow 的本领,大概对低条理 TensorFlow 笼统的讨论。团队估计于 2018 年 3 月 30 日在湾区举行另外一个 TensorFlow 开辟者峰会。

  在十一月,TensorFlow 庆贺其开放源代码项目两周年。TensorFlow 是 GitHub 上排名第一的机械进修平台,也是 GitHub 上的五大软件库之一,曾经被很多大巨细小的公司和机构所利用,包罗 GitHub 上超越 24,500 个与 TensorFlow 相干的堆栈。如今,很多研讨论文都与开放源码的 TensorFlow 完成和研讨成果一同出书,使社区可以更简单地了解所利用的切当办法,并重现或扩大事情。

  除 TensorFlow 以外,团队还在阅读器中公布了 deeplearn.js,一个开源的硬件加快深度进修的 API 完成(无需下载或装置任何工具)。deeplearn.js 主页有很多很好的例子,此中包罗 Teachable Machine, 能够利用收集摄像头锻炼的计较机视觉模子,和 Performance RNN,一个基于及时神经收集的钢琴作曲和演见效果的演示。团队将在 2018 年持续展开事情,以便将 TensorFlow 模子间接布置到 deeplearn.js 情况中。

同类文章排行

最新资讯文章