html5 手机网站开发,东莞小程序开发解决方案,湘潭做网站建设的公司,企业如何宣传推广来源#xff1a;中国信息通信研究院CAICT当前#xff0c;人工智能发展借助深度学习技术突破得到了全面关注和助力推动#xff0c;各国政府高度重视、资本热潮仍在加码#xff0c;各界对其成为发展热点也达成了共识。本文旨在分析深度学习技术现状#xff0c;研判深度学习发… 来源中国信息通信研究院CAICT当前人工智能发展借助深度学习技术突破得到了全面关注和助力推动各国政府高度重视、资本热潮仍在加码各界对其成为发展热点也达成了共识。本文旨在分析深度学习技术现状研判深度学习发展趋势并针对我国的技术水平提出发展建议。一、深度学习技术现状深度学习是本轮人工智能爆发的关键技术。人工智能技术在计算机视觉和自然语言处理等领域取得的突破性进展使得人工智能迎来新一轮爆发式发展。而深度学习是实现这些突破性进展的关键技术。其中基于深度卷积网络的图像分类技术已超过人眼的准确率基于深度神经网络的语音识别技术已达到95%的准确率基于深度神经网络的机器翻译技术已接近人类的平均翻译水平。准确率的大幅提升使得计算机视觉和自然语言处理进入产业化阶段带来新产业的兴起。深度学习是大数据时代的算法利器成为近几年的研究热点。和传统的机器学习算法相比深度学习技术有着两方面的优势。一是深度学习技术可随着数据规模的增加不断提升其性能而传统机器学习算法难以利用海量数据持续提升其性能。二是深度学习技术可以从数据中直接提取特征削减了对每一个问题设计特征提取器的工作而传统机器学习算法需要人工提取特征。因此深度学习成为大数据时代的热点技术学术界和产业界都对深度学习展开了大量的研究和实践工作。深度学习各类模型全面赋能基础应用。卷积神经网络和循环神经网络是两类获得广泛应用的深度神经网络模型。计算机视觉和自然语言处理是人工智能两大基础应用。卷积神经网络广泛应用于计算机视觉领域在图像分类、目标检测、语义分割等任务上的表现大大超越传统方法。循环神经网络适合解决序列信息相关问题已广泛应用于自然语言处理领域如语音识别、机器翻译、对话系统等。深度学习技术仍不完美有待于进一步提升。一是深度神经网络的模型复杂度高巨量的参数导致模型尺寸大难以部署到移动终端设备。二是模型训练所需的数据量大而训练数据样本获取、标注成本高有些场景样本难以获取。三是应用门槛高算法建模及调参过程复杂繁琐、算法设计周期长、系统实施维护困难。四是缺乏因果推理能力图灵奖得主、贝叶斯网络之父Judea Pearl指出当前的深度学习不过只是“曲线拟合”。五是存在可解释性问题由于内部的参数共享和复杂的特征抽取与组合很难解释模型到底学习到了什么但出于安全性考虑以及伦理和法律的需要算法的可解释性又是十分必要的。因此深度学习仍需解决以上问题。二、深度学习发展趋势深度神经网络呈现层数越来越深结构越来越复杂的发展趋势。为了不断提升深度神经网络的性能业界从网络深度和网络结构两方面持续进行探索。神经网络的层数已扩展到上百层甚至上千层随着网络层数的不断加深其学习效果也越来越好2015年微软提出的ResNet以152层的网络深度在图像分类任务上准确率首次超过人眼。新的网络设计结构不断被提出使得神经网络的结构越来越复杂。如2014年谷歌提出了Inception网络结构、2015年微软提出了残差网络结构、2016年黄高等人提出了密集连接网络结构这些网络结构设计不断提升了深度神经网络的性能。深度神经网络节点功能不断丰富。为了克服目前神经网络存在的局限性业界探索并提出了新型神经网络节点使得神经网络的功能越来越丰富。2017年杰弗里•辛顿提出了胶囊网络的概念采用胶囊作为网络节点理论上更接近人脑的行为旨在克服卷积神经网络没有空间分层和推理能力等局限性。2018年DeepMind、谷歌大脑、MIT的学者联合提出了图网络的概念定义了一类新的模块具有关系归纳偏置功能旨在赋予深度学习因果推理的能力。深度神经网络工程化应用技术不断深化。深度神经网络模型大都具有上亿的参数量和数百兆的占用空间运算量大难以部署到智能手机、摄像头和可穿戴设备等性能和资源受限的终端类设备。为了解决这个问题业界采用模型压缩技术降低模型参数量和尺寸减少运算量。目前采用的模型压缩方法包括对已训练好的模型做修剪如剪枝、权值共享和量化等和设计更精细的模型如MobileNet等两类。深度学习算法建模及调参过程繁琐应用门槛高。为了降低深度学习的应用门槛业界提出了自动化机器学习AutoML技术可实现深度神经网络的自动化设计简化使用流程。深度学习与多种机器学习技术不断融合发展。深度学习与强化学习融合发展诞生的深度强化学习技术结合了深度学习的感知能力和强化学习的决策能力克服了强化学习只适用于状态为离散且低维的缺陷可直接从高维原始数据学习控制策略。为了降低深度神经网络模型训练所需的数据量业界引入了迁移学习的思想从而诞生了深度迁移学习技术。迁移学习是指利用数据、任务或模型之间的相似性将在旧领域学习过的模型应用于新领域的一种学习过程。通过将训练好的模型迁移到类似场景实现只需少量的训练数据就可以达到较好的效果。三、未来发展建议加强图网络、深度强化学习以及生成式对抗网络等前沿技术研究。由于我国在深度学习领域缺乏重大原创性研究成果基础理论研究贡献不足如胶囊网络、图网络等创新性、原创性概念是由美国专家提出我国研究贡献不足。在深度强化学习方面目前最新的研究成果大都是由DeepMind和OpenAI等国外公司的研究人员提出我国尚没有突破性研究成果。近几年的研究热点生成式对抗网络GAN是由美国的研究人员Goodfellow提出并且谷歌、facebook、twitter和苹果等公司纷纷提出了各种改进和应用模型有力推动了GAN技术的发展而我国在这方面取得的研究成果较少。因此应鼓励科研院所及企业加强深度神经网络与因果推理模型结合、生成式对抗网络以及深度强化学习等前沿技术的研究提出更多原创性研究成果增强全球学术研究影响力。加快自动化机器学习、模型压缩等深度学习应用技术研究。依托国内的市场优势和企业的成长优势针对具有我国特色的个性化应用需求加快对深度学习应用技术的研究。加强对自动化机器学习、模型压缩等技术的研究加快深度学习的工程化落地应用。加强深度学习在计算机视觉领域应用研究进一步提升目标识别等视觉任务的准确率以及在实际应用场景中的性能。加强深度学习在自然语言处理领域的应用研究提出性能更优的算法模型提升机器翻译、对话系统等应用的性能。未来智能实验室是人工智能学家与科学院相关机构联合成立的人工智能互联网和脑科学交叉研究机构。未来智能实验室的主要工作包括建立AI智能系统智商评测体系开展世界人工智能智商评测开展互联网城市云脑研究计划构建互联网城市云脑技术和企业图谱为提升企业行业与城市的智能水平服务。  如果您对实验室的研究感兴趣欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”