色哟哟视频在线观看-色哟哟视频在线-色哟哟欧美15最新在线-色哟哟免费在线观看-国产l精品国产亚洲区在线观看-国产l精品国产亚洲区久久

0
  • 聊天消息
  • 系統消息
  • 評論與回復
登錄后你可以
  • 下載海量資料
  • 學習在線課程
  • 觀看技術視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會員中心
創(chuàng)作中心

完善資料讓更多小伙伴認識你,還能領取20積分哦,立即完善>

3天內不再提示

機器學習的未來

Dbwd_Imgtec ? 來源:Imagination Tech ? 作者:Andrew Grant ? 2020-09-28 17:54 ? 次閱讀

作者:Andrew Grant

Imagination Technologies人工智能高級總監(jiān) 很高興看到中國在機器學習(Machine Learning,ML)領域所取得的進展。隨著機器學習的推出和普及,它被嵌入到許多應用中。它成功地以無形、內嵌的方式存在于眾多應用中,很多人都在日常生活中使用它,但是并沒有意識到它的存在。從在百度中輸入一個搜索詞到預約一次滴滴打車,這些操作都是基于多層機器學習應用構建的。 在我們的生活中,機器學習確實無處不在,它增加了價值,產生了積極的經濟效應,同時減少了低效和浪費。這是由多方面的因素推動形成的,包括顯著改進的神經網絡(NN)框架,成熟的機器學習技術,改善的訓練數據訪問方法,當然還有一點很重要的就是,性能更佳的、嵌入在邊緣和終端用于訓練的專用集成電路ASIC)。再加上更好的機器學習訓練算法——在一些情況下可以將訓練時間從數周減少到數小時,機器學習正變得越來越可行。 我們現在看到的是,即使沒有連接到云端,也可以在邊緣以卓越的幀率(每秒的推理次數)執(zhí)行推理,而放在幾年前,這只有在數據中心才可以實現。由于推理可以在邊緣進行,因此開啟了更多的機會。 中國市場已經受益于對機器學習和人工智能(AI)的長期關注與持續(xù)投資,并造就了多種高效的機器學習框架,例如百度飛槳(PaddlePaddle,即PArallel Distributed Deep LEarning,并行分布式深度學習),華為的MindSpore和曠視科技的Brain++。此外,阿里巴巴也投資打造了阿里云城市大腦,旨在支持智慧城市的運行,并通過其下屬的芯片設計企業(yè)平頭哥半導體投身于人工智能芯片的研發(fā)。

無論從大學、研究者,還是從蓬勃發(fā)展的企業(yè)部門來看,中國在機器學習著作和專利方面都處于領先地位,我們正在見證中國在所有領域展示其成熟的機器學習創(chuàng)新、開發(fā)和應用能力。

機器學習的未來

人工智能逐漸走向“邊緣”,并且能夠在智能手機自動駕駛汽車等邊緣設備上以高幀率進行推理,是當前的發(fā)展方向。神經網絡加速器這種專用集成電路可以比典型嵌入式CPU快100倍的速度運行神經網絡工作負載,其強大的性能和功能正在打開一系列市場,包括先進駕駛輔助系統(ADAS)和自動駕駛汽車、機器人和機器人流程自動化(RPA)、智慧城市管理,以及健康和許多其他市場。

人工智能和機器學習最令人興奮的地方在于每天都會有新的進展公之于眾。一些領域的進展將進一步推動機器學習取得成功,包括強化學習(其中機器學習功能可以通過游戲化的方式執(zhí)行任務來進行“學習”),以及生成式對抗網絡(GAN)。這些技術在超分辨率及創(chuàng)造前所未有的細節(jié)和清晰度方面非常成功。 再來看看新興的聯邦學習(Federal learning)技術,它將變得更加重要。在聯邦學習中,來源于現實事件的信息可以被轉發(fā)給其他實例,以便它們能夠了解最新的事件并從中學習。以一輛汽車為例,它可以接到其他車輛關于道路狀況變化的通知,而且相關的新知識也會傳送給它。這不僅僅是車輛對車輛(V2V)或車輛對基礎設施(V2X),它是一個有價值的應用案例,車輛可以學習如何應對新的道路狀況或道路上的異常物體。 此外,我們可以看到,隨著數據中心變得更加高效,訓練一個精確的神經網絡所需的時間大大縮短了。這將帶來很大的好處,因為可以提供全新的、改進的迭代模型,從而能夠充分利用移動邊緣計算(MEC)功能,并在邊緣和終端更新已部署的模型。我們將看到,從數據中心訓練向邊緣部署的轉變會逐漸被另一種方式取代,即從數據中心到移動邊緣計算,再到邊緣,然后通過聯邦學習將新的發(fā)現反饋回來,令所有人受益。

5G工業(yè)環(huán)境中將非常有價值,因為它將提供一個重要的機會,以實現在機器之間傳遞大量數據。事實上,這也可以幫助人工智能機器人在未來的智能工廠中去修復現有的、基于人工智能技術的機器人——在不太適合人類進行處理的3D(Dirty骯臟、Difficult困難、Dangerous危險)環(huán)境中,這種方式特別有用。

在工業(yè)領域采用機器學習

當前,我們看到智能工廠正在出現。這意味著將在工廠和工作環(huán)境中應用“數字孿生”(DigitalTwins)技術,人類負責管理和控制工廠,而工廠可能在1,000英里之外并完全由機器人來操作和運行。機械臂、傳感器微機電系統(MEMS)和多個攝像頭將通過機器學習功能來協調和控制,而機器學習功能又由人來監(jiān)管,這樣可以有效地提高生產力。

以航空航天為例,如果一架飛機的發(fā)動機擁有自己的數字孿生,管理者就可以查看所有的應力和應變,并以數字版本的形式查看發(fā)動機在其整個生命周期中如何運行。每次在飛行期間或飛行后都會進行數據更新,并將更新的數據輸入到模型和一些案例中,然后運行這些案例以檢查真正的引擎是否需要特定的維護。同樣的行為也會發(fā)生在機器人和機器人流程自動化中,從而實現巨大的躍進。機器人將能夠進行自我監(jiān)測和修復,而人類能夠控制和管理它們,并且可以看到機器人所能看到的一切,所有這些都由機器學習來實現。 從某種意義上講,我們將擁有真正的“熄燈”工廠,工廠里將沒有現場人員。我們已經從機器學習的角度看到了這一趨勢,機器學習在預測性和預防性維護方面非常有用,可以預測什么時候可能會出現故障或問題,以及某個部件將磨損殆盡,然后檢查數據,發(fā)出警報并監(jiān)聽特定問題。這就像當我們聽到自己的汽車發(fā)出奇怪的聲響時,就會意識到某些地方出問題了,但是有了機器學習,就可以訓練它去監(jiān)聽奇特的噪音,這些噪音可能就是潛在問題的早期跡象。 我們還將看到機器學習為自動送貨機器人領域帶來的重要機遇。我們可以將送貨的卡車和廂式貨車編隊,讓它們以車隊的形式行駛,從而減少駕駛方面的工作量,車輛之間可以通過聯邦學習的方式傳遞信息。

還有一個案例是,機器人已經能夠在醫(yī)院中運送藥品等物資。從清潔和污染的角度看,這會使物資的移動和病人對物資的使用更加便捷和安全。

機器學習和大數據

就如今的機器學習而言,其與2010年時的主要區(qū)別在于,我們更清楚該怎樣去利用所收集的數據。在過去,很難存儲和管理海量數據并從中提取信息。而現在,預測推薦系統和神經網絡已經解決了這個問題。所有傳感器數據可以通過傳感器融合(Sensor Fusion)進行匯聚和組合,從而針對正在發(fā)生的事情構建出一幅綜合畫面,同時為數據驅動的決策提供支持。

機器學習非常擅長做人類不太擅長的事情,例如大量的復雜計算以及執(zhí)行神經網絡運行所需的乘累加運算。這意味著我們可以從海量數據中提取特征,理解它們的重要性,然后優(yōu)化結果,也就是說機器學習可以解決大數據的問題。此外,我們也可以通過更人性化的方式分享信息,例如儀表盤和分析工具。神經網絡也可以用于進一步分析這些數據,因此,在不久的將來,一輛現代的自動駕駛汽車一天內或許會傳輸多達4TB的數據。

工業(yè)人工智能生態(tài)系統

我們現在看到,人工智能工業(yè)生態(tài)系統各領域的先鋒企業(yè)都迎來了爆炸式增長。諸如科大訊飛和達闥科技等致力于交通和擁堵管理的機器人公司正在尋找新的市場以施展自己的專業(yè)能力。

各公司都正在努力使智能工廠變得高效。我們看到,憑借同步定位與地圖構建(SLAM)技術,我們在了解機器人在其環(huán)境中所處的位置方面已經取得了可觀的進步,SLAM技術可以指示出機器人在空間中的位置。這有助于機器學習和人工智能正在進行的另一項工作,即為機器人提供更多的信息,比如它應該如何行動,以及如何很好地利用自己當前的位置。

相關的開發(fā)工具

所有這一切中最重要的就是創(chuàng)建工具,即創(chuàng)建所需的“鎬和鍬”等工具,以便人們去“開采黃金”。這些工具是指大量的軟件工具。軟件工作流程變得極其重要,這就是為什么Imagination的神經網絡加速器可以使網絡的離線編譯變得非常簡單和高效。這使得神經網絡加速器可以更快地被部署,從而縮短開發(fā)時間和上市時間。

該軟件工作流程利用了離線工具、編譯器、分析器、適配器、調諧器及其他工具,進而可以輕松地推出針對邊緣部署進行了優(yōu)化的網絡,這意味著較小的模型具有很高的準確性,從而降低了成本,提高了效率。這些都將通過無線方式進行更新,因此5G也將是該生態(tài)系統的重要組成部分。

軟件和工具非常重要,理解應用案例也是如此。在一種情況下行之有效的方法可能在其他地方并不是那么成功,而這正是大學、醫(yī)院和科研實驗室致力于進行研究的方面。

展望未來

機器學習擁有光明的未來,而在工業(yè)領域擁有非常大的機會去實施更廣泛的機器學習。憑借神經網絡加速器(NNA)的領先性能以及適合任何工業(yè)應用的機器學習算法,Imagination Technologies一直處于機器學習革命的前沿,我們已準備好迎接未來。隨著機器學習技術的發(fā)展和成熟,我們將看到利用機器學習來提高生產力的機會越來越多,而Imagination將通過領先的機器學習技術為此提供全力支持。

原文標題:機器學習的演進

文章出處:【微信公眾號:Imagination Tech】歡迎添加關注!文章轉載請注明出處。

責任編輯:haq

聲明:本文內容及配圖由入駐作者撰寫或者入駐合作網站授權轉載。文章觀點僅代表作者本人,不代表電子發(fā)燒友網立場。文章及其配圖僅供工程師學習之用,如有內容侵權或者其他違規(guī)問題,請聯系本站處理。 舉報投訴
  • 人工智能
    +關注

    關注

    1791

    文章

    47203

    瀏覽量

    238271
  • 機器學習
    +關注

    關注

    66

    文章

    8408

    瀏覽量

    132568

原文標題:機器學習的演進

文章出處:【微信號:Imgtec,微信公眾號:Imagination Tech】歡迎添加關注!文章轉載請注明出處。

收藏 人收藏

    評論

    相關推薦

    什么是機器學習?通過機器學習方法能解決哪些問題?

    來源:Master編程樹“機器學習”最初的研究動機是讓計算機系統具有人的學習能力以便實現人工智能。因為沒有學習能力的系統很難被認為是具有智能的。目前被廣泛采用的
    的頭像 發(fā)表于 11-16 01:07 ?386次閱讀
    什么是<b class='flag-5'>機器</b><b class='flag-5'>學習</b>?通過<b class='flag-5'>機器</b><b class='flag-5'>學習</b>方法能解決哪些問題?

    NPU與機器學習算法的關系

    在人工智能領域,機器學習算法是實現智能系統的核心。隨著數據量的激增和算法復雜度的提升,對計算資源的需求也在不斷增長。NPU作為一種專門為深度學習機器
    的頭像 發(fā)表于 11-15 09:19 ?434次閱讀

    嵌入式系統的未來趨勢有哪些?

    嵌入式系統是指將我們的操作系統和功能軟件集成于計算機硬件系統之中,形成一個專用的計算機系統。那么嵌入式系統的未來趨勢有哪些呢? 1. 人工智能與機器學習的整合 隨著現代人工智能(AI)和機器
    發(fā)表于 09-12 15:42

    【「時間序列與機器學習」閱讀體驗】+ 簡單建議

    這本書以其系統性的框架和深入淺出的講解,為讀者繪制了一幅時間序列分析與機器學習融合應用的宏偉藍圖。作者不僅扎實地構建了時間序列分析的基礎知識,更巧妙地展示了機器學習如何在這一領域發(fā)揮巨
    發(fā)表于 08-12 11:21

    【「時間序列與機器學習」閱讀體驗】全書概覽與時間序列概述

    的應用也很廣泛,用機器學習為時間分析帶來新的可能性。人們往往可以通過過往的時間序列數據來預測未來,在各行各業(yè)中都有很好的應用與發(fā)展前景。 時間序列分類: 1.單維時間序列 單維時間序列指的是一組有順序
    發(fā)表于 08-07 23:03

    人工神經網絡與傳統機器學習模型的區(qū)別

    人工神經網絡(ANN)與傳統機器學習模型之間的不同,包括其原理、數據處理能力、學習方法、適用場景及未來發(fā)展趨勢等方面,以期為讀者提供一個全面的視角。
    的頭像 發(fā)表于 07-04 14:08 ?1252次閱讀

    機器學習算法原理詳解

    機器學習作為人工智能的一個重要分支,其目標是通過讓計算機自動從數據中學習并改進其性能,而無需進行明確的編程。本文將深入解讀幾種常見的機器學習
    的頭像 發(fā)表于 07-02 11:25 ?991次閱讀

    機器學習在數據分析中的應用

    隨著大數據時代的到來,數據量的爆炸性增長對數據分析提出了更高的要求。機器學習作為一種強大的工具,通過訓練模型從數據中學習規(guī)律,為企業(yè)和組織提供了更高效、更準確的數據分析能力。本文將深入探討機器
    的頭像 發(fā)表于 07-02 11:22 ?612次閱讀

    深度學習與傳統機器學習的對比

    在人工智能的浪潮中,機器學習和深度學習無疑是兩大核心驅動力。它們各自以其獨特的方式推動著技術的進步,為眾多領域帶來了革命性的變化。然而,盡管它們都屬于機器
    的頭像 發(fā)表于 07-01 11:40 ?1329次閱讀

    機器學習的經典算法與應用

    關于數據機器學習就是喂入算法和數據,讓算法從數據中尋找一種相應的關系。Iris鳶尾花數據集是一個經典數據集,在統計學習機器學習領域都經常被
    的頭像 發(fā)表于 06-27 08:27 ?1640次閱讀
    <b class='flag-5'>機器</b><b class='flag-5'>學習</b>的經典算法與應用

    名單公布!【書籍評測活動NO.35】如何用「時間序列與機器學習」解鎖未來

    設備的運行狀況,生成各種維度的報告。 同時,通過大數據分析和機器學習技術,可以對業(yè)務進行預測和預警,從而協助社會和企業(yè)進行科學決策、降低成本并創(chuàng)造新的價值。 當今時代,數據無處不在,而時間序列數據更是
    發(fā)表于 06-25 15:00

    富唯智能:打造未來機器人教育新標桿

    隨著科技的飛速發(fā)展,機器人教育正逐漸成為培養(yǎng)未來人才的重要領域。富唯智能,作為業(yè)內領先的機器人技術提供商,近日推出了一款全新的機器人教育實踐平臺系統,旨在為學生提供更加豐富、更具挑戰(zhàn)性
    的頭像 發(fā)表于 04-23 16:45 ?370次閱讀

    機器學習8大調參技巧

    今天給大家一篇關于機器學習調參技巧的文章。超參數調優(yōu)是機器學習例程中的基本步驟之一。該方法也稱為超參數優(yōu)化,需要搜索超參數的最佳配置以實現最佳性能。
    的頭像 發(fā)表于 03-23 08:26 ?612次閱讀
    <b class='flag-5'>機器</b><b class='flag-5'>學習</b>8大調參技巧

    【量子計算機重構未來 | 閱讀體驗】+機器學習的終點是量子計算?

    便對機器的計算能力產生了興趣,雖然不是這個專業(yè)的,但是可以抽出閑魚的時間,來了解一下,可以通過學習來掌握一些技能。 目前也只有在閑暇之余做一些代碼的工作了。 希望以后能夠用的上。 其次大學期間也沒有學
    發(fā)表于 03-10 16:33

    如何使用TensorFlow構建機器學習模型

    在這篇文章中,我將逐步講解如何使用 TensorFlow 創(chuàng)建一個簡單的機器學習模型。
    的頭像 發(fā)表于 01-08 09:25 ?968次閱讀
    如何使用TensorFlow構建<b class='flag-5'>機器</b><b class='flag-5'>學習</b>模型
    主站蜘蛛池模板: 一二三四韩国免费观看| 丰满女友bd高清在线观看| 校花娇喘呻吟校长陈若雪视频| 免费观看男生桶美女私人部位| 精品性影院一区二区三区内射| 国产精品成人在线播放| 抽插的日日液液H| 啊…嗯啊好深男男小黄文| 99热精品在线av播放| 69精品国产人妻蜜桃国产毛片| 亚洲色在线| 伊人大香线蕉影院在线播放| 亚洲日本天堂在线| 亚洲野狼综合网站| 樱桃BT在线观看| 伊人亚洲AV久久无码精品| 影888午夜理论不卡| 在线免费观看视频a| 在线高清视频不卡无码| 2020国产成人精品视频人| 制服的微热| 99久久精品全部| ASIAN大陆明星裸休合成PICS| AV天堂午夜精品一区| 成人特级毛片| 国产精品99久久免费黑人人妻| 国产精品爽爽久久久久久蜜桃| 国产日韩欧美另类| 久久高清一级毛片| 亚洲第一伊人| 亚洲黄色在线观看| 伊人青青青| 99在线观看视频免费| 高清大胆欧美videossexo| 国产视频www| 久久天堂网| 青青青青草原国产免费| 兔费看少妇性L交大片免费| 亚洲精品久久久久AV无码林星阑| 伊人亚洲综合网色| 柏木舞子在线|