神马权重5是什么概念_神马权重查询（神马权重怎么提升）

　　深度进修

　　作者Yann Le Cun

　　纽约大学，柯朗数学科学学院(CourantInstitute of Mathematical Science, NYU)，

　　Facebook 人工智能研究

　　我们须要复制大脑来开发智能机器吗？

　　大脑是智能机器存在的依据

　　－鸟和蝙蝠是重于空气航行存在的依据

　　大脑

　　今日高速处置惩罚处罚器

　　我们能够通过复制大脑来开发人工智能系统吗？

　　电脑离大脑运算本事只有1万次方差距吗？很有或许是100万次方：突触是复杂的。1百万次方是30年摩尔定律

　　最好从生物学里获取灵感；可是如果没有了解底子道理，仅从生物学里生搬硬造，注定要失败。飞机是从飞鸟何处获取的灵感；他们操纵了同样的航行底子道理；可是，飞机并不振翅飞翔，也没有羽翼。

　　让我们从自然里汲取灵感，但不须要依葫芦画瓢

　　模拟自然是好的，可是我们也须要去了解自然。对于飞机而言，我们开发了空气动力学以及可压缩流体动力学，我们知道了羽毛和振翅不是要害。

　　1957年：感知机（第一台进修机器）

　　具有适应性“突触权重”的一个简朴的模拟神经元，打定输入的加权总和，如果加权总和高于阈值，则输出＋1，反之则输出－1。

　　感知机进修算法

　　每每的机器进修（监视进修）

　　打算一台带有可调节旋钮的机器（与感知机里的权重类似）；选取一个操练样本，经机器运行之后，测量误差；找出须要调整那个偏向的旋钮以便低沉误差；重复操纵所有操练样本来进行利用，直到旋钮稳固下来。

　　每每的机器进修（监视进修）

　　打算一台带有可调节旋钮的机器；选取一个操练样本，经机器运行之后，测量误差；调节旋钮以便低沉误差；不绝重复直到旋钮稳固下来；

　　机器进修＝功能优化

　　这就犹如行走在雾气弥漫的高山之中，通过往最陡的下坡偏向行走来抵达山谷中的墟落；可是每一个样本会给我们一个偏向的噪声预估，因此，我们的路径是相当随机的。

　　泛化本事：识别操练中没有察觉到的情况

　　操练之后：用从未识别过的样本来测试机器；

　　监视进修

　　我们能够用诸如桌子、椅子、狗、猫及人等许多例子来操练机器；可是机器能够识别它从未看到过的桌子、椅子、狗、猫及人吗？

　　大规模的机器进修：现实

　　数以亿计的“旋钮”（或“权重”），数以千计的种类；数以百万计的样本；识别每一个样本或许须要进行数十亿的利用；可是这些利用只是一些简朴的乘法和加法。

　　模式识别的传统模式

　　模式识别的传统模式（自50年月末最先），固定／打算特征（或固定矩阵）＋可操练的分级器，感知机（康奈尔大学，1957年）

　　深度进修＝整台机器是可以操练的

　　传统的模式识别：固定及手工制的特征萃取器；主流的今世化模式识别：无监视的中等第别特征；深度进修：表示形式是分等第的及操练有素的；

　　深度进修＝进修分等第的表示形式

　　有横跨一个阶段的非线性特征变动即为深度进修；在ImageNet上的特征可视化的卷积码净操练［来自蔡勒与宏泰2013（Zeiler Fergus 2013）］

　　可操练的特征等第

　　随着抽象等第的增加，表示形式等第的增加；每一个阶段是一种可操练特征的转换；

　　图像识别：

　　像素→边缘→纹理基元→主题→部门→对象

　　文字识别

　　字符→字→词组→从句→句子→故事

　　语音识别

　　采样→频谱带→声音→... →语音→音素→字

　　浅度vs深度＝＝查找表VS多步算法

　　“浅与宽”vs“深与窄”==“更多的内存”与“更多的时间”，查找表vs 算法；如果没有一个指数大级此外查找表，几乎很少有函数可以用两步打定完成；通过指数系数，可以通过横跨两步运算来镌汰“存储量”。

　　大脑奈何解读图像？

　　在视觉皮层的腹侧（识别）通路包含多个阶段；视网膜- LGN - V1 - V2 - V4 - PIT - AIT....等等；

　　多层的神经收集

　　多层的神经收集

　　简朴单元的多层级；每个单元打定一次输入的加权总和；加权总和通过一个非线性函数；进修算法改变权重；

　　范例的多层神经网路架构

可以通过在网路中装配模块来发明复杂的进修机器；

线性模块

输出＝W.输入＋B

ReLU 模块（经校正过的线性单元）

输出i＝0 如果输入i0;

输出i＝输入，如果其他情况；

资本模块：平方隔断

资本=||In1-In2||2

目的函数

L(Θ)=1/pΣk C(Xk,Yk,Θ)

Θ=(W1,B1,W2,B2,W3,B3)

　　通过装配模块来搭建网路

　　所有紧张深度进修框架操纵模块（灵感源自SN/Lush, 1991)，火炬7(Torch7), Theano, TensorFlow….

　　通过反向传达来打定斜率

　　链式法则的现实应用

　　推倒代数的斜率：

　　● dC/dXi-1 = dC/dXi . dXi/dXi-1

　　● dC/dXi-1 = dC/dXi . dFi(Xi-1,Wi)/dXi-1

　　推倒权重斜率：

　　● dC/dWi = dC/dXi . dXi/dWi

　　● dC/dWi = dC/dXi . dFi(Xi-1,Wi)/dWi

　　任何架构都可以工作？

　　承诺任何的连接图；

　　无回路有向图

　　轮回的收集须要“在时间上展开”

　　承诺任何的模块

　　只要对于响应的参数及其他非终端输入是持续的，并且在几乎所有位置都可以进行求倒。

　　几乎所有的架构都提供自动求导功能；

　　Theano, Torch7+autograd,...

　　程序酿成打定无回路有向图（DAGs）及自动求导

　　多层收集的目的函数黑白凸性的。

　　1-1-1收集

　　– Y = W1*W2*X

　　目的函数：二次损失的恒等函数

　　一个例子：X=1,Y=1 L(W) = (1-W1*W2)^2

　　卷积收集

　　(简称ConvNet或 CNN)

　　卷积收集架构

　　多卷积

　　动画：安德烈 .卡帕斯（Andrej Karpathy）网址：https://cs231n.github.io/convolutional-networks/

　　卷积性收集（制造年月：1990年）

　　过滤器-tanh →汇总→过滤器-tanh →汇总→过滤器-tanh

　　胡贝尔和威塞尔（Hubel Wiesel）的视觉皮层结构模型

　　简朴单元格用于检测局部特征，复杂单元格用于“汇总”位于视皮层附近的简朴单元格输出产物，[福岛（Fukushima）1982年][LeCun 1989, 1998年],[Riesenhuber 1999年]等等

　　总体架构：多步奏尺度化→过滤器集→非线性→汇总

　　尺度化：白度厘革（自由选择）

　　减法：匀称去除率，高通过滤器

　　除法：局部尺度化，尺度方差

　　过滤器库：维度扩大，映射到超完整基数

　　非线性：希罕化，饱和度，侧禁止机制等等

　　矫正(ReLU)，有用分量的镌汰，tanh,

　　汇总：空间或功能类别的会萃

　　1993年LeNet1演示

　　多字符识别［马坦等（Matan et al），1992年］

　　每一层是一个卷积

　　ConvNet滑动窗口+加权有限状况机

　　ConvNet滑动窗口+加权FSM

　　支票读取器（贝尔实施室，1995年）

　　图像转换器收集经操练后读取支票金额，用负对数似然损失来进行周全化操练。50%准确，49%拒绝，1%误差（在反面的过程中可以检测到）1996年最先在美国和欧洲的许多银行中操纵，在2000年月初处置惩罚处罚了美国约10%到20%的手写支票。

　　人脸检测[威能（Vaillantet al.）等。93、94年]

　　ConvNet被用于大图像处置惩罚处罚，多尺寸热图，候选者非最大化禁止，对256x256 图像SPARCstation须要6秒时间

　　同步化人脸检测及姿态预估

　　卷积收集行人检测

　　场景阐明及标注

　　场景阐明及标注：多尺度ConvNet架构

　　每个输出可以看到大量的输入背景，对全方位标注的的图像进行操练监视

　　方法1:在超像素地域进行大都表决

　　对RGB及深度图像的场景阐明及标注

　　场景阐明及标注

　　无后期处置惩罚处罚，一帧一帧，ConvNet在Virtex-6 FPGA 硬件上以每帧50毫秒运行，通过以太网上进行通信的功能限制了系统机能

　　ConvNet用于远隔断自适应机器人视觉（DARPA LAGR 项目2005-2008年）

　　卷机网远隔断视觉

　　预处置惩罚处罚（125毫秒），地平面估计，地平线瞄准，转换为YUV+局部对比尺度化，测量尺度化后图像“带”稳固量金字塔

　　卷积收集架构

　　每3x12x25输入窗口100个特征；YUV图像带20-36像素高，36-500像素宽

　　卷机收集视觉物体识别

　　在2000年月中期，ConvNets在物体分类方面取得了相当好的成果，数据集：“Caltech101”：101个类别，每个类别30个操练样本，可是成果比更“传统”的打定机视觉方法要稍微逊色一些，缘故因由是：

　　1. 数据集太小了；

　　2. 电脑太慢了；

　　然后，两件事情发生了。。。

　　图像收集（ImageNet）数据集[Fei-Fei等，2012年]

　　120万操练样本

　　1000个类别

　　快速及可编程通用目的GPUs

　　每秒可进行1万亿利用

　　极深度的ConvNet物体识别

　　1亿到10亿个连接，1000万至10亿个参数，8至20个分层

　　在GPU上进行极深度的ConvNets操练

　　ImageNet前5大错误概率是

　　15%；

　　[Sermanet等2013年]

　　13.8%VGGNet [Simonyan, Zisserman 2014年]

　　7.3%

　　GoogLeNet[Szegedy等 2014年]

　　6.6%

　　ResNet [He et等2015年]

　　5.7%

　　极深度的ConvNet架构

　　小矩阵，没有进行太多二次抽样过程（断片化二次抽样）

　　矩阵：第一层（11x11)

　　第一层：3×9矩阵，RGB-96的特征图，11×11矩阵，4步

　　进修在办法

　　第一层过滤器奈何进修？

　　深度进修＝进修层次化表示

　　具有横跨一个阶段的非线性特征变动即为深度，ImageNet上特征可视化卷积收集进修 [蔡勒与宏泰2013年（Zeiler Fergus）]

　　ImageNet：分类

　　给图像中的紧张对象取名，前5误差率：如果误差不是在前5，则视为错误。红色：ConvNet，蓝色：不是ConvNet

　　ConvNets对象识别及定位

　　分类+定位：多尺度滑动窗口

　　在图像上应用convnet滑动窗口来进行多尺度的重要备;在图像上滑动convnet是很便宜的。对于每一个窗口，推测一个分类及边框参数。即使对象没有完全在视窗内，convnet可以推测它所以为的对象是什么。

　　成果：在ImageNet1K操练前，微调的ImageNet检测

　　Detection Example:检测例子

　　Detection Example:检测例子

　　Detection Example:检测例子

　　深度面孔

　　[塞利格曼等（Taigman et al.） CVPR，2014年]

　　调准ConvNet矩阵进修

　　Facebook上操纵自动标注

　　天天800万张照片

　　具有连体结构的怀抱进修

　　Contrative目的函数，相似的对象应产出相距较近的输出，不相似对象应产出相距较远r的输出，通过进修和恒定的定位来镌汰维度，[乔普拉等，CVPR2005年][Hadsell等，CVPR2006年]

　　人物识别与姿势推测

　　图像字幕：生成描摹性句子

　　C3D:用3D卷积收集进行视频分类

　　分割与局部化对象(DeepMask)

　　[Pinheiro, Collobert, Dollar ICCV 2015年]

　　ConvNet生成物件面部模型

　　DeepMask++ 建议

　　识别蹊径

　　操练

　　通过8x4开普勒（Kepler）GPUs与弹性匀称随机梯度下降算法（EASGD)运行2.5天后[张, Choromanska, LeCun，NIPS2015年]

　　成果

　　监控下的ConvNets制图

　　操纵ConvNets产生图像

　　监控下的ConvNets制图

　　绘制椅子，在特征空间的椅子算法

　　ConvNets语音识别

　　语音识别与卷积收集(纽约大学／IBM)

　　声学模型：7层ConvNet。5440万参数。

　　把声音信号转化为3000个彼此关连的次音位类别

　　ReLU单元+脱离上一层级

　　经过GPU 4日操练

　　语音识别与卷积收集(纽约大学／IBM)

　　操练样本。

　　40 Mel频率倒谱系数视窗：每10微秒40帧

　　语音识别与卷积收集(纽约大学／IBM)

　　第一层卷积矩阵，9x9尺寸64矩阵

　　语音识别与卷积收集(纽约大学／IBM)

　　多语言识别，多尺度输入，大局限视窗

　　卷积收集（ConvNets）无处不在（或即将无处不在）

　　ConvNet芯片

　　如今NVIDIA，英特尔(Intel), Teradeep,Mobileye, 高通（Qualcomm）及三星（Samsung）正在开发ConvNet 芯片

　　许多初创公司：Movidius, Nervana等

　　在不久的未来，ConvNet将会驾驶汽车

　　NVIDIA：基于ConvNet技术的驾驶员辅助系统

　　驱动-PX2（Drive-PX2）：驾驶员辅助系统的开源平台( =150 Macbook Pros)

　　嵌入式超级打定机：42TOPS（=150台MacBook Pro）

　　MobilEye:基于ConvNet技术的驾驶员辅助系统

　　配置于特斯拉（Tesla）S型和X型产品中

　　ConvNet连接组学[Jain, Turaga, Seung，2007年]

　　3DConvNet立体图像；操纵7x7x7相邻体历来将每一个体素标注为“膜状物”或“非膜状物”；已经成为连接组学的尺度方法

　　推测DNA/ RNA - ConvNets蛋白质团结

　　“通过深度进修推测DNA- 与RNA-团结的蛋白质序列特异性”－2015年7月，自然生物技术，作者：B Alipanahi, A Delong, M Weirauch, BFrey

　　深度进修无处不在（ConvNets无处不在）

　　在脸书(Facebook)、谷歌（Google）、微软（Microsoft）、百度、推特（Twitter）及IBM等上的许多应用程序。

　　为照片集搜索的图像识别

　　图片/视频内容过滤：垃圾，裸露和暴力。

　　搜索及新闻源排名

　　人们天天上传8亿张图片到脸书（Facebook）上面

　　（如果我们把Instagram，Messenger and Whatsapp打定在内，就是天天20亿张图片）

　　脸书（Facebook）上的每一张照片每隔2秒就通过两个ConvNets

　　一个是图像识别及标注；

　　另一个是面部识别（在欧洲尚未激活）

　　在不久的未来ConvNets将会无处不在：

　　自动驾驶汽车，医疗成像，增强现实技术，移动设备，智能相机，机器人，玩具等等。

　　嵌入的全国

　　思索的向量

　　“邻居的狗萨摩耶犬看起来似乎西伯利亚哈士奇犬”—〉递归神经收集—〉[0.2，－2.1，0.4,－0.5......]

　　嵌入的全国

　　iNSTAGRAM 嵌入视频

　　用“思索的向量”来代表全国

　　任何一个物件、概念或“设法”都可以用一个向量来代表

　　[-0.2, 0.3, -4.2, 5.1, …..]代表“猫”的概念

　　[-0.2, 0.4, -4.0, 5.1, …..]代表“狗”的概念

　　这两个向量黑白常相似的，因为猫和狗用许多配合的属性

　　到场推理来操控思索向量

　　对标题、回复、信息提取及内容过滤的向量进行比较

　　通过团结及转化向量来进行推理、规划及语言翻译

　　内存存储思索向量

　　MemNN (记忆神经收集)是一个很好的例子

　　在FAIR, 我们想要“把全国嵌入”思索向量中来

　　自然语言大白

　　文字能嵌入吗？

　　[Bengio2003年] [Collobert与韦斯顿（Weston），2010年]

　　通过前后的文字来对该文字进行推测

　　语义属性的合成

　　东京－日本＝柏林－德国

　　东京－日本＋德国＝柏林

　　问答系统

　　问答系统

　　问答系统

　　LSTM收集的语言翻译

　　多层次极大LSTM递归模块

　　读入及编码英语句子

　　在英文句末生成法语句子

　　与现有技术状况的正确率极其相若

　　神经收集奈何记忆事物？

　　递归收集不行以持久记忆事物

　　皮质只可以持续20秒记忆事物

　　我们须要“海马”（一个自力的记忆模块）

　　LSTM [Hochreiter 1997年]，寄存器

　　存储收集[韦斯顿（Weston）等，2014年］（FAIR），联想记忆

　　堆叠增强递归神经收集[Joulin与Mikolov，2014年]（FAIR）

　　NTM [DeepMind，2014年], “磁带”.

　　存储／堆叠增强递归收集

　　堆叠增强RNN

　　弱监控MemNN:

　　寻找可操纵的存储位置。

　　内存收集[韦斯顿（Weston），乔普拉（ Chopra），博尔德（Bordes ），2014年]

　　在收集中到场短期内存

　　通往人工智能的障碍物

　　（除打定本事以外），人工智能的四项缺失部门

　　理论的深度认知进修

　　深度收集中的目的函数几多学是什么？

　　为何ConvNet架构这么好？[（马拉）Mallat, 布鲁纳（Bruna）, Tygert..]

　　代表／深度进修与推理、寄望力、规划及记忆的整合

　　许多研究汇合在推理／规划，寄望力，记忆力及进修“算法”

　　内存增强的神经收集“可求导的”算法

　　将监控、非监控及强化进修整合在单一的“算法”内

　　如果渴望顺利，波尔兹曼机将会很是有用处。

　　堆叠的什么－何处自动编码器，梯形收集等

　　通过调查及像动物及人类保存一样来发现全国的结构及纪律。

　　机密的目的函数几多学

　　深度收集与ReLUs及最大汇总

　　线性转换存储栈最大离散利用器

　　ReLUs点位方法

　　最大汇总

　　从一层到另一层开关

　　深度收集与ReLUs：目的函数是分段多项式函数

　　如果我们操纵损失函数，增量则取决于Yk。

　　随机系数的在w上的分段多项式

　　a lot：多项式的临界点位随机（高斯）系数在球面的分布[本阿鲁斯等（Ben Arous et al.）]

　　高阶球面自旋玻璃随机矩阵理论

　　随机矩阵理论

　　深度收集与ReLUs：目的函数是分段多项式函数

　　从多个初始前提中操练按比例缩小的(10x10)MNIST 2层网路。测量测试集的损失值。

　　强化进修，监视进修、无监视进修：进修的三种典范

　　进修的三种典范

　　强化进修

　　机器偶然会对标量成果进行推测

　　样本的一部门字节

　　监控进修

　　机器推测每个输入的种类或数目

　　每个样本10到1万位

　　非监控进修

　　机器对任何输入部门及任何可调查部门进行推测

　　在视频中推测未来镜头

　　每个样本有数以百万计的字节

　　机器须要推测几多信息？

　　强化进修（车厘子）

　　机器偶然会对标量成果进行推测

　　样本的一部门字节

　　监控进修（糖衣）

　　机器推测每个输入的种类或数目

　　每个样本10到1万个字节

　　无监视进修（蛋糕）

　　机器对任何输入部门及任何可调查部门进行推测

　　在视频中推测未来镜头

　　每个样本有数以百万计的字节

　　无监视进修是人工智能的“黑箱”

　　底子所有动物及人类进行的进修都是无监视进修。

　　我们通过调查了解全国的运作；

　　我们进修的全国是三维立体的

　　我们知道物体间可以自力运动；

　　我们知道物体的持久性

　　我们进修奈何推测从如今最先一秒或一小时后的全国

　　我们通过推测性非监控进修来构建全国模型

　　这样的推测模型让我们有了“常识”的认知

　　无监视进修让我们了解到全国的纪律。

　　通过非监控进修而获得的常识

　　通过对全国推测模型的进修让我们掌握了常识；

　　如果我们说：”Gérard拿起包脱离房间”, 你能够猜测出：

　　Gérard起立，舒展手臂，向门口走去，打开门，走出去。

　　他以及他的包已经不会在房间里

　　他不或许消失或飞了出去

　　非监控进修

　　以能量为根本的非监控进修

　　能量函数：取数据流的最低值，取其他处所的最高值

　　如果是所需能量输出，则向下按；

　　其他情况，则向上按；

　　生成匹敌的收集

　　拉普拉斯（Laplacian） GAN：拉埃甘（又名EYESCREAM）

　　进修生成图像[丹顿等人（Denton et al.），NIPS2015年]

　　发生器产出拉普拉斯金字塔系数代表的图像

　　鉴别器进修奈何区分真假拉普拉斯图像。

　　“EyeScream”

　　“EyeScream”/“LAPGAN”

　　发现纪律

　　DCGAN：通过匹敌操练来生成图像

　　[雷德福（Radford)，梅斯(Metz)，Chintala, 2015年]

　　输入：随机数字；

　　输出：睡房

　　导航流

　　DCGAN：通过匹敌操练来生成图像

　　用漫画人物来操练

　　人物之间的插入

　　面部代数（在DCGAN空间）

　　DCGAN:通过匹敌操练来生成图像

　　[雷德福（Radford）,梅斯（Metz），Chintala，2015年]

　　无监视进修：视频推测

　　无监视进修是人工智能的黑箱

　　无监视进修是能够提供富足信息去操练数以十亿计的神经收集的唯一进修形式。

　　监视进修须要泯灭太多的标注精神

　　强化进修须要操纵太多次的实施

　　可是我们却不知道奈何去进行非监控许诶下（以致奈何将其公式化）

　　我们有太多的设法及方法

　　可是他们并不能很好的运作

　　为何那么难？因为全国本来就是不行推测的。

　　推测器产出所有未来或许的匀称值－暗昧图像

　　ConvNet多尺度视频推测

　　4到8框架输入→无需汇总的ConvNet→1到8框架输出

　　无法操纵开方误差：暗昧推测

　　全国本来就是无法推测的，mse操练推测未来或许情况的匀称值：暗昧图像

　　ConvNet多尺度视频推测

　　ConvNet多尺度视频推测

　　ConvNet多尺度视频推测

　　与操纵LSTM的人[Srivastava等， 2015年]做比较

　　无监视进修推测

　　在“匹敌操练”中已经取得了一些成果

　　可是我们离一个完整的打点方案还相距甚远。

　　推测进修

　　机器智能与人工智能将会有很大不同

　　人工智能会是什么样子呢？

　　人类和动物行为拥有进化过程与生俱来的驱动力

　　抗战／航行，饥饿，自我保护，禁止疼痛，对寒暄的渴求等等

　　人类彼此之间做错误的事情也是大部门因为这些驱动力造成的。

　　受威胁时的暴力行为，对物质资源及社会力气的渴求等等。

　　可是，人工智能系统并没有这些驱动力，除非我们在系统里进行配置。

　　在没有驱动力情况下，我们很难去对智能实体进行想像

　　尽管在动物全国里我们有许多的例子。

　　我们奈何调整人工智能的“道德价格”使其与人类价格保持平等？

　　我们将创建一些底子的、不行改变的固有驱动力：

　　人类培训师将会把使四面人类开心及惬意的行为与夸奖联系起来。

　　这正是儿童（及社会性动物）奈何进修在社会中变得讲礼貌

　　我们能够预防不平安的人工智能吗？

　　是的，就犹如我们提防存在潜在危险的飞机及汽车一样

　　与人类同等第的人工智能奈何产生？

　　与人类同等第的人工智能的呈现不会是一个孤立“事故”。

　　它会是渐进式的

　　它也不会孤立发生

　　没有任何机构可以在好的设法上面存在垄断。

　　前辈的人工智能如今是一个科学性的标题，而不是一个技术性的寻衅。

　　创建无监视进修是我们最大的寻衅

　　个人的冲破将会很快被复制

　　人工智能研究是一个举世性的集体。

　　大部门好的点子来自学术届

　　尽管另人最印象深刻的应用程序来自行业

　　区分智能与自立化黑白常重要的

　　最智能的系统并不是自立化的。

　　结论

　　深度进修正在引领应用程序的浪潮

　　如今：图像识别、视频认知：洞察力正在运作

　　如今：更好的语言识别：语言识别正在运作

　　不久的未来：更好的语言大白本事，对话及翻译将成为或许

　　深度进修与卷积收集正在被普遍操纵

　　如今：图像大白本事已经在脸书、谷歌、推特和微软中被普遍应用

　　不久的未来：汽车自动驾驶、医疗图像阐明，机器人的感知本事将成为或许

　　我们须要为嵌入式应用程序找到硬件（与软件的）

　　对于数码相机、手机设备、汽车、机器人及玩具而言。。

　　我们离发明真正智能的机器还相距甚远。

　　我们须要将推理与深度进修整合在一路。

　　我们须要一个很好的“情节化”（短期）内存。

　　我们须要为无监视进修找到好的理论道理做支撑。

　　本文是2016年3月Yann LeCun 受 SoftBank Robotics Europe 邀请揭晓的演讲《深度进修和人工智能的未来》。

泉源：新智元，转自：数据科学家

更多精彩内容请识别二维码关注微信号