Zero
Che tipo di problemi apprendimento profondo risolvere?
Come accennato, deep neural networks excel a fare previsioni basate in gran parte su dati non strutturati. Ciò significa che essi offrono le migliori prestazioni della categoria in aree come il discorso e riconoscimento di immagini, in cui lavorano con disordinato dati come discorso registrato e fotografie.
Si dovrebbe utilizzare sempre un profondo apprendimento invece di superficiale macchina di apprendimento?
No, perché profondo di apprendimento può essere molto costoso dal punto di vista computazionale.
Per compiti non banale, la formazione di un profondo rete neurale spesso richiedono l’elaborazione di grandi quantità di dati utilizzando cluster di Gpu per molte, molte ore.
Dato top-di-gamma Gpu può costare migliaia di dollari per comprare, o fino a $5 all’ora in affitto nel cloud, non è saggio per passare direttamente all’apprendimento profondo.
Se il problema può essere risolto utilizzando una semplice macchina algoritmo di apprendimento come inferenza Bayesiana o di regressione lineare, una che non richiede il sistema alle prese con una complessa combinazione di funzionalità gerarchiche nei dati, quindi questi molto meno computazionale esigenti opzioni sarà la scelta migliore.
Deep learning può anche non essere la scelta migliore per fare una stima sulla base dei dati. Per esempio, se il set di dati è piccolo, a volte lineare semplice apprendimento automatico di modelli può produrre risultati più accurati, anche se alcuni di apprendimento automatico specialisti sostengono una formazione adeguata profondità-apprendimento della rete neurale può ancora fare bene con piccole quantità di dati.
AI e per la salute: l’Uso di machine learning per capire il sistema immunitario umanoMapR aggiornamento della piattaforma porta maggiore AI Analytics e innovazione…tramite il file systemdi Microsoft acquista apprendimento automatico di avvio BonsaiNvidia, i ricercatori utilizzano un profondo apprendimento per creare super-slow motion video
Quali sono gli svantaggi di apprendimento profondo?
Uno dei grandi svantaggi è la quantità di dati necessari per il treno, con Facebook il recente annuncio che è stato utilizzato un miliardo di immagini per ottenere prestazioni da record da un’immagine-sistema di riconoscimento. Quando il set di dati, i sistemi di formazione, inoltre, richiedono l’accesso ad una vasta quantità di potenza di elaborazione distribuita. Questo è un altro problema di apprendimento profondo, il costo della formazione. A causa delle dimensioni del set di dati e il numero di cicli di formazione che devono essere eseguiti, di formazione spesso richiede l’accesso ad alta potenza e costoso hardware del computer, in genere di fascia alta o Gpu GPU matrici. Se si sta costruendo il vostro sistema oppure affittare hardware da una piattaforma cloud, nessuna delle due opzioni è probabile che sia a buon mercato.
Profondo-reti neurali sono anche più difficili da addestrare, a causa di quello che viene chiamato il gradiente di fuga problema, che può peggiorare la più livelli ci sono in una rete neurale. Come più gli strati sono aggiunti la fuga gradiente problema può comportare l’assunzione di un unfeasibly molto tempo per addestrare una rete neurale ad un buon livello di precisione, come il miglioramento tra ogni ciclo di formazione è così minuto. Il problema non si affliggono ogni multi-strato di rete neurale, piuttosto quelle che uso gradiente di metodi di apprendimento basati. Detto questo problema può essere affrontato in vari modi, scegliendo un’opportuna funzione di attivazione o attraverso la formazione di un sistema che utilizza un pesante GPU.
Deep learning consente a Google di tenere un occhio sul rischio di attacco di cuoreIl futuro del futuro: Scintilla, dati di grandi intuizioni, streaming e deep learning in the cloud
Perché sono profonde le reti neurali difficile treno?
Come accennato in profondità le reti neurali sono difficili da addestrare a causa del numero di strati della rete neurale. Il numero di strati e collegamenti tra i neuroni della rete è tale che può diventare difficile calcolare le regolazioni che devono essere fatte in ogni fase del processo di formazione — un problema di cui il gradiente di fuga problema.
Un altro grosso problema è l’enorme quantità di dati che sono necessari per formare un profondo apprendimento delle reti neurali, con formazione corpus spesso di misura petabyte di dimensione.
Che profonda apprendimento di tecniche di esistere?
Ci sono vari tipi di profondo rete neurale, con strutture adatte a diversi tipi di attività. Per esempio, Convolutional Reti Neurali (CNNs) vengono in genere utilizzati per la computer vision compiti, mentre le Reti Neurali Ricorrenti (RNNs) sono comunemente utilizzati per l’elaborazione del linguaggio. Ognuno ha la sua specializzazione, in CNNs iniziale strati sono specializzati per l’estrazione di caratteristiche distinte dall’immagine, che vengono poi inseriti in un più convenzionale di rete neurale per permettere l’immagine per essere classificati. Nel frattempo, RNNs diverso da un tradizionale rete neurale feed-forward per il fatto che non basta inserire i dati da un neurali livello al successivo, ma hanno anche built-in anelli di retroazione, la cui data di uscita di uno strato di passata di nuovo al livello precedente — prestito di rete di un modulo di memoria. Non c’è più una forma specializzata di RNN che include quello che viene chiamato una cella di memoria e che è su misura per l’elaborazione di dati con ritardi tra gli ingressi.
Il tipo più semplice di rete neurale è un multi-layer perceptron di rete, tipo descritto sopra alla mano cifre esempio, dove i dati vengono inviati in avanti tra strati di neuroni. Ogni neurone in genere trasformare i valori sono alimentati tramite una funzione di attivazione, che cambia quei valori in una forma che, alla fine del ciclo di formazione, permetterà alla rete di calcolare come lontano è da fare una previsione accurata.
Ci sono un gran numero di diversi tipi di profondo reti neurali. Nessuno di rete è intrinsecamente migliore di un altro, solo che sono più adatti per l’apprendimento di particolari tipi di attività.
Più di recente, generativa contraddittorio reti (GANS) estendere ciò che è possibile l’utilizzo delle reti neurali. In questa architettura di due reti neurali fare la battaglia, il generatore di rete tenta di creare convincente “falso” di dati e il discriminatore tentativi di capire la differenza tra il falso e dati reali. Con ogni ciclo di formazione, il generatore di meglio alla produzione di dati falsi e il discriminatore guadagni di un diagramma di occhio per individuare quelli falsi. Da pitting due reti contro l’altro durante la formazione, sia in grado di ottenere prestazioni migliori. GANs sono stati utilizzati per effettuare alcune importanti attività, come la tornitura questi dashcam video dal giorno alla notte o da inverno e l’estate, come mostrato nel video qui sotto, e dispone di applicazioni che vanno dalla tornitura foto a bassa risoluzione in alta risoluzione alternative e la generazione di immagini da un testo scritto. GANs hanno le loro limitazioni, tuttavia, che può renderli difficili da lavorare, anche se questi vengono affrontati attraverso lo sviluppo di più robusto GAN varianti.
Dove si può imparare di più su di deep learning?
Non c’è carenza di corsi là fuori che coprono apprendimento profondo.
Se siete interessati a quelli messi insieme da personalità di spicco del settore, si potrebbe controllare questi Coursera offerte, una da Geoff Hinton su reti neurali e l’altro co-creata da Andrew Ng, che fornisce una panoramica generale dell’argomento, mentre questo Udacity corso è stato co-creato da Sebastian Thrun, di Google self-driving car fama, e fornisce l’accesso a esperti OpenAI, Google Cervello, e DeepMind.
C’è anche una ricchezza di lezioni gratuite disponibili on-line, molti dall’alto istituzioni educative, come queste classi di elaborazione del linguaggio naturale e convolutional reti neurali dall’Università di Stanford.
Se siete appena dopo una panoramica più dettagliata di apprendimento profondo, poi le Reti Neurali e Deep Learning è un ottimo libro on line gratis. Mentre se si ha familiarità con l’high-scuola di matematica e il linguaggio di programmazione Python, quindi Google Colab progetto offre un interattivi introduzione alla macchina di apprendimento.
Google gare contro AWS, Microsoft per portare ai per gli sviluppatori discansione Archivio robot saranno mostrati anche l’IA, il riconoscimento di oggetti boost con la recente acquisizionedi Robotica di business: Tutto ciò che gli esseri umani hanno bisogno di conoscereil GPU computing: Accelerare la profonda curva di apprendimento
Qual è il costo di investire in un profondo apprendimento?
Dipende dal tuo approccio, ma in genere costano centinaia di dollari verso l’alto, a seconda della complessità della macchina di apprendimento attività e il metodo scelto.
Che hardware hai bisogno per l’apprendimento automatico?
La prima scelta è se si desidera noleggiare hardware nel cloud o costruire il proprio profondo-learning rig. Per rispondere a questa domanda scende per quanto tempo si prevede sarà l’addestramento del vostro profondo-modello di apprendimento. Si pagherà di più nel corso del tempo se si bastone con i servizi cloud, quindi se cercate di anticipare il processo di formazione avrà più di un paio di mesi di uso intensivo poi comprare/costruire la vostra propria macchina per allenamento, probabilmente, sarà prudente.
Se il cloud suoni adatti, quindi è possibile noleggiare infrastruttura informatica su misura per il deep learning dai principali fornitori di servizi cloud, tra cui AWS, il Cloud di Google e Microsoft Azure. Ogni offre anche sistemi automatizzati che consentono di semplificare il processo di formazione di una macchina-modello di apprendimento con le offerte come il drag-and-drop di strumenti, tra cui Microsoft di Apprendimento automatico di Studio, Google Cloud AutoML e AWS SageMaker.
VEDI: Come implementare l’IA e il machine learning (ZDNet relazione speciale) | Scaricare il report in formato PDF (TechRepublic)
Detto questo, costruire la propria macchina non sarà a buon mercato. Avrete bisogno di investire in una buona GPU per formare qualcosa di più di molto semplice, reti neurali, come le Gpu possono effettuare un numero molto elevato di matrice moltiplicazioni in parallelo, contribuendo ad accelerare il passaggio fondamentale durante l’allenamento.
Se non hai intenzione di addestramento di una rete neurale con un gran numero di strati, si può optare per il consumatore-tipo di carte, come la Nvidia GeForce GTX 1060, che di solito vende per circa £270, pur offrendo 1,280 CUDA core.
Più pesante-dovere di formazione, tuttavia, richiede attrezzature specializzate. Uno dei più potenti Gpu per l’apprendimento automatico è la Nvidia Tesla V100, che racchiude 640 AI-su misura Tensore di core e 5,120 generale HPC CUDA core. Si tratta di un costo notevolmente superiore a quello dei consumatori di schede, con i prezzi per la versione PCI Express a partire da € 7,500.
Edificio AI-specifiche workstation e server può costare anche di più, per esempio, il deep-apprendimento focalizzato DGX1 vende per $149,000.
Così come una scheda PCIe, la Tesla V100 è disponibile come SXM modulo plug in di Nvidia ad alta velocità NVLink bus.
Così come una scheda PCIe, la Tesla V100 è disponibile come SXM modulo plug in di Nvidia ad alta velocità NVLink bus.
Immagine: Nvidia
Quanto tempo ci vuole per formare un profondo modello di apprendimento?
Il tempo necessario per addestrare un profondo modello di apprendimento di varia enormemente da ore a settimane o più, e dipende da fattori quali l’hardware a disposizione, l’ottimizzazione, il numero di livelli della rete neurale, l’architettura di rete, la dimensione del set di dati e di più.
Che profonda-il software per l’apprendimento quadri sono disponibili?
Ci sono una vasta gamma di deep learning framework software che consentono agli utenti di progettazione, formazione e convalidare profonda reti neurali, utilizzando una gamma di diversi linguaggi di programmazione.
Una scelta popolare è Google TensorFlow libreria di software, che permette agli utenti di scrivere in Python, Java, C++, e Swift, e che può essere utilizzato per una vasta gamma di profonda compiti di apprendimento quali l’immagine e il riconoscimento vocale, e che viene eseguito su una vasta gamma di Cpu, Gpu, e di altri processori. È ben documentato, e ha molti tutorial e attuato modelli che sono disponibili.
Un’altra scelta popolare, soprattutto per i principianti, è PyTorch, un framework che offre la programmazione imperativa modello familiare per gli sviluppatori e permette agli sviluppatori di utilizzare Python standard consolidato. Funziona con profonda reti neurali che vanno da CNNs per RNNs e funziona in modo efficiente su Gpu.
Tra la vasta gamma di altre opzioni sono di Microsoft Cognitive Toolkit, MATLAB, MXNet, Chainer e Keras.
Sarà reti neurali e deep learning portare a generale di intelligenza artificiale?
Attualmente apprendimento profondo è usato per costruire strette AI, intelligenza artificiale, che svolge un compito particolare, che le didascalie delle foto o la trascrizione di un discorso.
Non c’è sistema che può essere pensato come un generale di intelligenza artificiale, in grado di affrontare la stessa ampiezza dei compiti e con la stessa ampiezza di capire come un essere umano. Quando tali sistemi saranno sviluppati è sconosciuto, con stime che vanno da decenni verso l’alto.
Più profonda-learning-tecnologie
Nvidia, i ricercatori utilizzano un profondo apprendimento per creare super-slow motion video
I ricercatori hanno usato Nvidia Tesla V100 Gpu e cuDNN accelerazione PyTorch profonda contesto di apprendimento per formare il loro sistema su più di 11.000 video girati a 240 fotogrammi al secondo.
Chi decide che un profondo apprendimento e AI risultati “giusti”?
Kathryn Hume, vice presidente dei prodotti e la strategia di integrazione.ai, affronta le sfide affrontate dalle imprese di grandi dimensioni quando si tenta di applicare l’intelligenza artificiale, machine learning.
Google profondo sistema di apprendimento mira a domare le cartelle sanitarie elettroniche
Google utilizza un profondo sistema di apprendimento per navigare le cartelle sanitarie elettroniche senza i dati atto.
LG aperte AI laboratori di ricerca in Canada (CNET)
La società provvederà a dare il via a una nuova partnership di ricerca con l’Università di Toronto.
Linux Foundation spinge open-source IA avanti con l’Apprendimento Profondo Fondazione
La Linux Foundation ha lanciato il LF Deep Learning Foundation, un’organizzazione ombrello per l’innovazione open source nel campo dell’intelligenza artificiale, machine learning e apprendimento profondo.
NVIDIA e BRACCIO desidera portare profonda di apprendimento per i vostri progetti IoT (TechRepublic)
Annunciato al GTC 2018, la partnership vedrà la NVIDIA Apprendimento Profondo Acceleratore architettura integrata nel Braccio Progetto Trillium.
Argomenti Correlati:
zdnet_topic.correlati.esecutivo-guide
La Trasformazione Digitale
CXO
Internet delle Cose
L’innovazione
Enterprise Software
0