編譯|蔣寶尚 關于AI是什么，學界和業界已經給出了非常多的定義，但是對于AI理解，探討尚不足。換句話說，計算機科學家解釋深度神經網絡（DNNs）的能力大大落后于我們利用其取得有用結果的能力。 當前理解深度神經網絡的常見做法是在單個神經元特性上“折騰”。例如，激活識別貓圖像的神經元，而關閉其他神經元的“控制變量法”。這種方法的學術術語叫做“類選擇性”。 由于直觀和易理解，“類選擇性”在學界廣泛應用。誠然，在訓練過程中，這類可解釋的神經元確實會“選擇性地”出現在各種不同任務網絡中。例如，預測產品評論
關鍵字：
DNN 深度神經網絡 深度學習
來源：nature 編譯：張大筆茹、小七 假設一輛自動駕駛汽車看到停車標志時并沒有減速，而是加速駛入了繁忙的十字路口，從而導致了交通事故。事故報告顯示，停車標志的表面粘了四個小的矩形標志。這說明一些微小擾動就能愚弄車載人工智能（AI），使其將“停止”一詞誤讀為“限速45”。 目前，此類事件還未發生，但是人為擾動可能影響AI是非常現實的。研究人員已經展示了如何通過粘貼紙來欺騙AI系統誤讀停車標志，或者通過在眼鏡或帽子上粘貼印刷圖案來欺騙人臉識別系統，又或者通過在音頻中插入白噪聲使語音識別系統產生錯
關鍵字：
DNN 深度神經網絡 深度學習
導讀深度神經網絡(DNN)通過端到端的深度學習策略在許多具有挑戰性的任務上達到了人類水平的性能。深度學習產生了具有多層抽象層次的數據表示;然而，它沒有明確地提供任何關于DNNs內部運作的解釋，換句話說它的內部運作是一個黑盒子。深度神經網絡的成功吸引了神經科學家，他們不僅將DNN應用到生物神經系統模型中，而且還采用了認知神經科學的概念和方法來理解DNN的內部表示。盡管可以使用諸如PyTorch和TensorFlow之類的通用深度學習框架來進行此類跨學科研究，但是使用這些框架通常需要高級編程專家和全面的數學知
關鍵字：
DNN 深度神經網絡 深度學習 腦機接口
先說DNN，從結構上來說他和傳統意義上的NN（神經網絡）沒什么區別，但是神經網絡發展時遇到了一些瓶頸問題。一開始的神經元不能表示異或運算，科學家通過增加網絡層數，增加隱藏層可以表達。并發現神經網絡的層數直接決定了它對現實的表達能力。但是隨著層數的增加會出現局部函數越來越容易出現局部最優解的現象，用數據訓練深層網絡有時候還不如淺層網絡，并會出現梯度消失的問題。我們經常使用sigmoid函數作為神經元的輸入輸出函數，在BP反向傳播梯度時，信號量為1的傳到下一層就變成0.25了，到最后面幾層基本無法達到調節參數
關鍵字：
DNN 深度神經網絡 深度學習 CNN RNN
深度神經網絡（Deep Neural Networks，以下簡稱DNN）是深度學習的基礎，而要理解DNN，首先我們要理解DNN模型，下面我們就對DNN的模型與前向傳播算法做一個總結。 1.從感知機到神經網絡 在感知機原理小結中，我們介紹過感知機的模型，它是一個有若干輸入和一個輸出的模型，如下圖: 輸出和輸入之間學習到一個線性關系，得到中間輸出結果： z=∑i=1mwixi+bz=∑i=1mwixi+b 接著是一個神經元激活函數: sign(z)={?11z<0z≥0sign(z)={
關鍵字：
DNN 深度神經網絡 深度學習
為了讓AI加速器在最短延遲內達到最佳精準度，特別是在自動駕駛車中，TFLOP已經成為許多所謂大腦芯片的關鍵指針，然而，有專家認為這種野蠻處理方式并不可持續…… 為了讓人工智能(AI)加速器在最短延遲內達到最佳精準度，特別是在自動駕駛車(AV)中，TFLOP(兆次浮點運算)已經成為許多所謂大腦芯片的關鍵指針。這場競賽的選手包括Nvidia的Xavier、Mobileye的EyeQ5、特斯拉(Tesla)的全自動駕駛(FSD)計算機芯片，以及NXP-Kalray芯片。然而，有專家認為這種野蠻處理方式
關鍵字：
DNN 深度神經網絡 深度學習
深度神經網絡(Deep Neural Networks，簡稱DNN)是深度學習的基礎，想要學好深度學習，首先我們要理解DNN模型。DNN的基本結構神經網絡是基于感知機的擴展，而DNN可以理解為有很多隱藏層的神經網絡。多層神經網絡和深度神經網絡DNN其實也基本一樣，DNN也叫做多層感知機(MLP)。DNN按不同層的位置劃分，神經網絡層可以分為三類，輸入層，隱藏層和輸出層，如下圖示例，一般來說第一層是輸入層，最后一層是輸出層，而中間的層數都是隱藏層。網絡結構層與層之間是全連接的，也就是說，第i層的任意一個神經
關鍵字：
DNN 深度神經網絡 深度學習
致力于亞太地區市場的領先半導體元器件分銷商---大聯大控股宣布，其旗下世平推出基于寒武紀（Cambricon）MLU220處理器的AI明廚亮灶方案。 圖示1-大聯大世平基于Cambricon產品的AI明廚亮灶方案的展示板圖 食品安全問題關系著千家萬戶的健康。為了保障人們的食品安全，自2014年2月起，國家食藥監總局就開始在各地餐飲業開展明廚亮灶工作。倡導餐飲服務提供者通過采用透視明檔（透明玻璃窗或玻璃幕墻）、視頻顯示、隔斷矮墻、開放式廚房或設置窗口等多種形式，對餐飲食品加工過程進行公示
關鍵字：
AI 深度學習 廚房
本文敘述如何使用深度學習來進行地下電纜系統的預測性維護。利用深度學習模型能夠接近實時地執行分類，讓現場的技術人員可以在擷取到數據后立即看到結果，并且在必要時重新執行測試。地下電纜系統與陸上電線路網相比，雖然對暴風雨、閃電、野火、冰暴、以及其他不利天氣狀況較不敏感；不過，地下電纜維修成本較高，很難準確指出故障位置及進行修復。如果電纜的瑕疵未被偵測出來，可能導致停電和對大眾造成危險。根據IEEE數據顯示，大約90%的地下電纜系統故障都和局部放電（partial discharge；PD）有關，也就是電纜內的電
關鍵字：
深度學習 地下電纜 預測性維護
近日，Graphcore?（擬未）在Wave Summit 2022深度學習開發者峰會上正式宣布加入硬件生態共創計劃。Graphcore和百度飛槳將基于該共創計劃共同研發技術方案，協同定制飛槳框架，建設模型庫與場景范例，以“IPU+飛槳”為產業賦能，推動產業AI化轉型和升級。目前，Poplar? SDK 2.3與百度飛槳2.3已經完全集成，相關代碼將于今日在百度飛槳的GitHub上線供開發者獲取。百度飛槳是中國首個自主研發、功能豐富、開源開放的產業級深度學習平臺。截至2022年5月，百度飛槳已經匯聚了47
關鍵字：
深度學習 AI
Imagination Technologies與Visidon Oy聯合推動移動、數字電視和汽車市場的嵌入式應用向基于深度學習的超分辨率過渡。憑借這項人工智能（AI）技術，用戶可以通過先進的算法將低分辨率圖像和視頻的分辨率提高到4K和8K。IMG Series4 NNA能夠在系統級芯片嚴格的功耗和散熱要求下，以更高的效率實時完成此類苛刻的流程。Imagination的IMG Series4神經網絡加速器（NNA）通過其Tensor Tiling技術為先進的AI圖像處理軟件帶來強大的計算性能與領先的能效。
關鍵字：
深度學習 超分辨率
本文說明Miros公司設計的一套Wavex傳感器系統，如何精準測量波浪、洋流、以及對水航速，并使用深度學習網絡來自動辨識測量下取得的雷達數據，進一步提升Wavex系統的表現與可靠度。對海上船只而言，海浪、洋流、對水航速（speed through water）等量測數據的準確性，對于船只執行各種任務，如燃料優化、或在受限區域內導航等，具有很高的價值。舉例來說，對水航速量測錯誤，即使只是一些微小誤差，就有可能對船艦效能的計算帶來重大錯誤，讓每天的燃料使用量多出好幾十噸。傳統上，對水航速是透過水下的測速儀器來
關鍵字：
深度學習 海上雷達 自動化 Miros Wavex
人工智能（AI）和機器學習仍然是技術決策者、行業人士和投資者關注的重點。標普全球市場財智（S&P Intelligence）2020 7月發布的調查顯示，有58%的公司和組織預計新冠大流行會對他們現有的AI計劃產生負面影響，還有19%的公司和組織表示新冠大流行導致他們停止了AI項目。與此同時，也有75%的公司和組織表示COVID-19促進了他們新的AI計劃。最近發布的2021 AI/ML用例調查顯示情況發生了變化，有86%參與調查的人表示新冠大流行已經或將導致其所在的組織投資于新的AI計劃。由于大
關鍵字：
人工智能 機器學習 深度學習 數據科學
本設計使用目標檢測識別進行分類垃圾以代替傳統的人工分類。本設計旨在用前沿的YOLOv3模型去實現準確的垃圾識別。設計中的模型利用Anaconda搭建環境變量，并在Pycharm軟件上運行模型。YOLOv3模型實驗所需的數據集來自華為云人工智能大賽提供的垃圾分類數據集，共有44種垃圾類別，圖片數為1.9萬張。經測試發現YOLOv3模型能夠快速而又準確地識別出44種垃圾，隨后通過藍牙發出信號給STM32單片機部分，單片機通過控制舵機旋轉后完成全自動化垃圾分類。
關鍵字：
智能分類垃圾桶 環境保護 STM32單片機 深度學習 TensorFlow YOLOv3 202202
物聯網正加速帶動人工智能走向終端裝置，我們可以看到市場繼續保持積極的成長趨勢。市場也期待有更多的人工智能物聯網設備在市場上普及，并深入包括消費性物聯網設備、工業應用和網絡、還有與視覺、語音和聲音影像相關的邊緣應用。AI的應用案例正在推動著龐大的物聯網運算需求，而這背后都需要透過MCU來釋放這些運算能量。我們也可以看出市場上的MCU解決方案基本上有兩大發展趨勢，用以支持新一代的機器學習（Machine Learning；ML）運算能力。一是提高MCU本身的運算性能及能力，例如從Arm Cortex M0+提
關鍵字：
TinyML MCU 深度學習
深度學習介紹
您好，目前還沒有人創建詞條深度學習!
歡迎您創建該詞條，闡述對深度學習的理解，并與今后在此搜索深度學習的朋友們分享。
創建詞條
關于我們 -
廣告服務 -
企業會員服務 -
網站地圖 -
聯系我們 -
征稿 -
友情鏈接 -
手機EEPW
Copyright ?2000-2015 ELECTRONIC ENGINEERING & PRODUCT WORLD. All rights reserved.
《電子產品世界》雜志社 版權所有 北京東曉國際技術信息咨詢有限公司
京ICP備12027778號-2 北京市公安局備案：1101082052 京公網安備11010802012473
京ICP備12027778號-2 北京市公安局備案：1101082052 京公網安備11010802012473