PingWest品玩3月23日訊，據(jù)Electrek報道，電動汽車制造商特斯拉已經(jīng)申請了一項專利，內(nèi)容是如何從其龐大的客戶車隊中獲取訓練數(shù)據(jù)，以訓練其自動駕駛神經(jīng)網(wǎng)絡。

這項專利是為特斯拉申請的，但特斯拉人工智能和自動駕駛軟件主管安德烈·卡帕西（Andrej Karparis）被指定為該申請的唯一發(fā)明人。

卡帕西描述了在應用程序中為深度學習培訓收集數(shù)據(jù)的問題：“用于自動駕駛等應用的深度學習系統(tǒng)是通過訓練機器學習模型來開發(fā)的。通常，深度學習系統(tǒng)的性能至少部分地受到用于訓練模型的訓練集的質(zhì)量限制。在許多情況下，大量的資源被投入到收集、管理和注釋培訓數(shù)據(jù)上。創(chuàng)建訓練集所需的工作量可能很大，而且通常是單調(diào)乏味的。此外，通常很難收集機器學習模型需要改進的特定用例的數(shù)據(jù)?！?/p>

特斯拉開發(fā)自動駕駛系統(tǒng)的方式與大多數(shù)其他公司大不相同。盡管大多數(shù)其他公司利用相對較少的測試車隊來收集數(shù)據(jù)并測試其系統(tǒng)，但特斯拉使用其數(shù)十萬輛配備了一系列傳感器的客戶汽車來收集道路和駕駛數(shù)據(jù)，并在“影子模式”下測試其自動駕駛系統(tǒng)。車隊收集的這些數(shù)據(jù)對特斯拉訓練其神經(jīng)網(wǎng)絡實現(xiàn)自動駕駛極其有價值。然而，他們必須小心他們收集并提供給網(wǎng)絡的內(nèi)容。

卡帕西在專利申請中注明：“隨著機器學習模型變得越來越復雜，比如深層神經(jīng)網(wǎng)絡，大量訓練數(shù)據(jù)集的必要性也相應增加。與淺層神經(jīng)網(wǎng)絡相比，這些深層神經(jīng)網(wǎng)絡可能需要更多的訓練樣本，以確保它們的泛化能力較高。例如，雖然神經(jīng)網(wǎng)絡可以被訓練成對于所給訓練數(shù)據(jù)來說高度精確，但其可能不能很好地推廣到未見的未來示例中。在這個例子中，神經(jīng)網(wǎng)絡可能受益于訓練數(shù)據(jù)中包含的額外示例。”

因此，卡帕西解釋了他的專利方法，在傳輸之前就對源數(shù)據(jù)進行分類：“示例方法包括接收傳感器并將神經(jīng)網(wǎng)絡應用于傳感器數(shù)據(jù)。將觸發(fā)器分類器應用于神經(jīng)網(wǎng)絡的中間結(jié)果，以確定傳感器數(shù)據(jù)的分類器評分。根據(jù)至少部分分類器得分，決定是否通過計算機網(wǎng)絡傳輸至少部分傳感器數(shù)據(jù)。一旦確定為陽性，傳感器數(shù)據(jù)就會被傳輸并用于生成訓練數(shù)據(jù)?！?/p>