多云,有神经元的机会:使神经网络起作用的工具

人工智能(或者,如果您愿意,机器学习)是当今的热门词汇。但是,与之前的许多流行词不同的是,这些东西并不是梦ware以求的,它是真实的,已经存在了,无论您是否意识到,它正在改变您的生活。

AI / ML快速概述

在进一步介绍之前,让我们先快速讨论一下“人工智能”这个术语。是的,这是必须的;不,这并不意味着Knight Rider的KITT或Samantha-斯嘉丽·约翰逊(Scarlett Johansson)在2013年的《她》中表达的全人类看不见的数字助手。除了虚构外,KITT和Samantha都是强大的人工智能的例子,也被称为人工智能(AGI)。另一方面,没有“强”或“一般”限定词的人工智能是一个既定的学术术语,其历史可追溯至1955年由约翰·麦卡锡教授和马文·明斯基教授撰写的达特茅斯夏季人工智能计划(DSRPAI)。 。

所有“人工智能”的真正含义是一个模仿人类或动物中常见的解决问题技能的系统。传统上,AI有两个分支:符号分支和连接主义。符号意味着一种涉及传统的基于规则的编程的方法-程序员非常明确地告诉计算机期望什么以及如何处理它。 1980年代和1990年代的“专家系统”就是象征性AI的例子。尽管偶尔有用,但通常认为无法将这种方法扩展到现实世界中的复杂性。

可悲的是,我们还没有来。放大/可悲的是,我们还没有到这里。

现代意义上的人工智能几乎总是指连接主义的人工智能。与符号AI不同,连接主义AI不是由人类直接编程的。人工神经网络是连接主义AI的最常见类型,有时也称为机器学习。我的同事Tim Lee上周刚完成有关神经网络的文章-您可以在这里被赶上来。

如果您想构建一个可以驾驶汽车的系统,而不是直接对其进行编程,则可以在其传感器和控件上附加一个足够先进的神经网络,然后让它“监视”成千上万小时的人为驾驶。神经网络开始将权重附加到来自其传感器的数据流中的事件和模式上,从而使其能够预测响应各种条件的可接受动作。最终,您可以对汽车的控件进行网络有条件的控制,并允许它自己进行加速,制动和转向,但仍然需要有人操作。经过部分训练的神经网络可以响应人类助手何时将控制权从其带走而继续学习。 “哇哦,不应该那样做”,神经网络会再次调整加权值。

听起来很简单,不是吗?实际上,不是很多,而是有许多不同类型的神经网络(简单的,成交量积的,生成的对抗性的,等等),而且它们都不是非常智能,最亮的规模与蠕虫的大脑大致相似。最复杂,真正有趣的任务将需要神经网络的网络,这些网络对数据进行预处理以找到感兴趣的区域,然后将这些感兴趣的区域传递到经过训练以更准确地对其进行分类的其他神经网络,依此类推。

最后一个难题是,在处理神经网络时,有两种主要的操作模式:推理和训练。训练就是听上去的样子—您向神经网络提供代表问题空间的大量数据,然后让它仔细检查,识别感兴趣的事物并可能学习将它们与您提供的标签相匹配。数据。另一方面,推论正在使用已经训练的神经网络在您理解的问题空间中为您提供答案。

推理和训练工作负载在GPU上的运行速度都比在通用CPU上快几个数量级,但这并不一定意味着您绝对想在GPU上做所有事情。与直接调用将模型和数据加载到GPU及其板载VRAM中的初始开销相比,直接在CPU上运行小型作业通常更容易,更快捷,因此您会经常看到推理工作负载在标准CPU上运行。

资讯来源:由0x资讯编译自ARSTECHNICA,版权归作者Jim Salter所有,未经许可,不得转载
提示:投资有风险,入市需谨慎,本资讯不作为投资理财建议。请理性投资,切实提高风险防范意识;如有发现的违法犯罪线索,可积极向有关部门举报反映。
你可能还喜欢