如何通過人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)產(chǎn)生詩(shī)歌
戴維·杰夫·約翰斯頓（David Jhave Johnston）表示：“這令人難以理解，它是一堵大墻，就像一道懸崖，然后開始迅速變化?！薄肮鈽?biāo)在寂靜的早上6點(diǎn)像鑿子一樣工作?！?/p>
數(shù)字詩(shī)人出版了12本人工智能詩(shī)集。作為他的實(shí)踐的一部分，這位數(shù)字詩(shī)人在一年的時(shí)間里每天花兩個(gè)小時(shí)來進(jìn)行雕刻，這是他創(chuàng)造的一個(gè)名詞，用來描述他剪掉計(jì)算機(jī)生成的文本中不需要的部分的方式。
10月24日，約翰斯頓在《 Anteism Books》上展示了他如何通過人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)產(chǎn)生詩(shī)歌。
在昏暗的空間中，約翰斯頓切開了數(shù)行數(shù)字化的文本塊。他邀請(qǐng)聽眾成員和詩(shī)人與他一起雕刻文字。人們一下子大喊大叫，使藝術(shù)混亂。
詩(shī)人西蒙·布朗（Simon Brown），塔妮·戴維斯（Tanya Davis）和維多利亞·斯坦頓（Victoria Stanton）從投影屏幕上翻滾的摘錄中朗讀，試圖追上單詞的沉淀，并在此過程中用聲音雕刻出來。
約翰斯頓在詩(shī)歌朗誦之前說：“以下算法表達(dá)的觀點(diǎn)和觀點(diǎn)是人類語(yǔ)料庫(kù)和統(tǒng)計(jì)分析的結(jié)合而自發(fā)產(chǎn)生的，并不一定反映工具或藝術(shù)家的觀點(diǎn)，即我或其他人的觀點(diǎn)。誰(shuí)在讀它們?！?/p>
布朗在表演期間淡入和淡出亞歷山大·圣昂格產(chǎn)生的電子聲音之間的交流。
單詞，句子和聲音沒有連貫性地組合在一起。
至于戴維斯，她毫不猶豫地閱讀。她的聲音在AI產(chǎn)生的洪流中爆發(fā)，隨著單詞在屏幕上迅速掉落，她隨隨便便地聽了。
聲明：本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人，不代表電子發(fā)燒友網(wǎng)立場(chǎng)。文章及其配圖僅供工程師學(xué)習(xí)之用，如有內(nèi)容侵權(quán)或者其他違規(guī)問題，請(qǐng)聯(lián)系本站處理。
舉報(bào)投訴
-
神經(jīng)網(wǎng)絡(luò)
+關(guān)注
關(guān)注
42文章
4814瀏覽量
103594 -
算法
+關(guān)注
關(guān)注
23文章
4710瀏覽量
95371 -
人工智能
+關(guān)注
關(guān)注
1806文章
49014瀏覽量
249412
發(fā)布評(píng)論請(qǐng)先 登錄
相關(guān)推薦
熱點(diǎn)推薦
神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)在電機(jī)故障診斷中的應(yīng)用
摘要:針對(duì)傳統(tǒng)專家系統(tǒng)不能進(jìn)行自學(xué)習(xí)、自適應(yīng)的問題,本文提出了基于種經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的并步電機(jī)故障診斷方法。本文將小波神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)相結(jié)合
發(fā)表于 06-16 22:09
BP神經(jīng)網(wǎng)絡(luò)與卷積神經(jīng)網(wǎng)絡(luò)的比較
多層。 每一層都由若干個(gè)神經(jīng)元構(gòu)成，神經(jīng)元之間通過權(quán)重連接。信號(hào)在神經(jīng)網(wǎng)絡(luò)中是前向傳播的，而誤差是反向傳播的。 卷積神經(jīng)網(wǎng)絡(luò)（CNN） ：
BP神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點(diǎn)分析
自學(xué)習(xí)能力 ： BP神經(jīng)網(wǎng)絡(luò)能夠通過訓(xùn)練數(shù)據(jù)自動(dòng)調(diào)整網(wǎng)絡(luò)參數(shù)，實(shí)現(xiàn)對(duì)輸入數(shù)據(jù)的分類、回歸等任務(wù)，無需人工進(jìn)行復(fù)雜的特征工程。 泛化能力強(qiáng) ： BP
什么是BP神經(jīng)網(wǎng)絡(luò)的反向傳播算法
神經(jīng)網(wǎng)絡(luò)（即反向傳播神經(jīng)網(wǎng)絡(luò)）的核心，它建立在梯度下降法的基礎(chǔ)上，是一種適合于多層神經(jīng)元網(wǎng)絡(luò)的學(xué)習(xí)算法。該算法通過計(jì)算每層網(wǎng)絡(luò)的誤差，并將這
BP神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)的關(guān)系
），是一種多層前饋神經(jīng)網(wǎng)絡(luò)，它通過反向傳播算法進(jìn)行訓(xùn)練。BP神經(jīng)網(wǎng)絡(luò)由輸入層、一個(gè)或多個(gè)隱藏層和輸出層組成，通過逐層遞減的方式調(diào)整網(wǎng)絡(luò)權(quán)重，
BP神經(jīng)網(wǎng)絡(luò)的基本原理
輸入層、隱藏層和輸出層組成。其中，輸入層負(fù)責(zé)接收外部輸入數(shù)據(jù)，這些數(shù)據(jù)隨后被傳遞到隱藏層。隱藏層是BP神經(jīng)網(wǎng)絡(luò)的核心部分，它可以通過一層或多層神經(jīng)元對(duì)輸入數(shù)據(jù)進(jìn)行加權(quán)求和，并通過非線性
人工神經(jīng)網(wǎng)絡(luò)的原理和多種神經(jīng)網(wǎng)絡(luò)架構(gòu)方法
在上一篇文章中，我們介紹了傳統(tǒng)機(jī)器學(xué)習(xí)的基礎(chǔ)知識(shí)和多種算法。在本文中，我們會(huì)介紹人工神經(jīng)網(wǎng)絡(luò)的原理和多種神經(jīng)網(wǎng)絡(luò)架構(gòu)方法，供各位老師選擇。 01 人工
卷積神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的比較
在深度學(xué)習(xí)領(lǐng)域，神經(jīng)網(wǎng)絡(luò)模型被廣泛應(yīng)用于各種任務(wù)，如圖像識(shí)別、自然語(yǔ)言處理和游戲智能等。其中，卷積神經(jīng)網(wǎng)絡(luò)（CNNs）和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)是兩種常見的模型。 1. 結(jié)構(gòu)差異 1.1 傳統(tǒng)神經(jīng)網(wǎng)絡(luò)
RNN模型與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的區(qū)別
傳統(tǒng)神經(jīng)網(wǎng)絡(luò)（前饋神經(jīng)網(wǎng)絡(luò)） 2.1 結(jié)構(gòu) 傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，通常指的是前饋神經(jīng)網(wǎng)絡(luò)（Feedforward Neural Networks, FNN），是一種最簡(jiǎn)單的
LSTM神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與工作機(jī)制
的結(jié)構(gòu)與工作機(jī)制的介紹： 一、LSTM神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) LSTM神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)主要包括以下幾個(gè)部分： 記憶單元（Memory Cell） ： 記憶單元是LSTM網(wǎng)絡(luò)的核心，負(fù)責(zé)在整個(gè)序列處理過程中保持和更新長(zhǎng)期依賴信息。 它主要由
LSTM神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)RNN的區(qū)別
神經(jīng)網(wǎng)絡(luò)（RNN） RNN的基本結(jié)構(gòu) RNN是一種特殊的神經(jīng)網(wǎng)絡(luò)，它能夠處理序列數(shù)據(jù)。在RNN中，每個(gè)時(shí)間步的輸入都會(huì)通過一個(gè)循環(huán)結(jié)構(gòu)傳遞到下一個(gè)時(shí)間步，使得網(wǎng)絡(luò)能夠保持對(duì)之前信息的記
Moku人工神經(jīng)網(wǎng)絡(luò)101
不熟悉神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識(shí)，或者想了解神經(jīng)網(wǎng)絡(luò)如何優(yōu)化加速實(shí)驗(yàn)研究，請(qǐng)繼續(xù)閱讀，探索基于深度學(xué)習(xí)的現(xiàn)代智能化實(shí)驗(yàn)的廣闊應(yīng)用前景。什么是神經(jīng)網(wǎng)絡(luò)？“人工
關(guān)于卷積神經(jīng)網(wǎng)絡(luò)，這些概念你厘清了么~
神經(jīng)元都是輸入的線性變換——將輸入乘以數(shù)字（權(quán)重w）并加上一個(gè)常數(shù)（偏置b），然后通過一個(gè)固定的非線性函數(shù)產(chǎn)生輸出，該函數(shù)也被稱為激活函數(shù) ^1^ 。作為網(wǎng)絡(luò)中唯一的非線性部分，激活函
發(fā)表于 10-24 13:56
matlab 神經(jīng)網(wǎng)絡(luò) 數(shù)學(xué)建模數(shù)值分析
matlab神經(jīng)網(wǎng)絡(luò) 數(shù)學(xué)建模數(shù)值分析 精通的可以討論下
發(fā)表于 09-18 15:14
Python自動(dòng)訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)
人工神經(jīng)網(wǎng)絡(luò)（ANN）是機(jī)器學(xué)習(xí)中一種重要的模型，它模仿了人腦神經(jīng)元的工作方式，通過多層節(jié)點(diǎn)（神經(jīng)元）之間的連接和權(quán)重調(diào)整來學(xué)習(xí)和解決問題。
工商網(wǎng)監(jiān)
評(píng)論