通過虛擬睡眠刷新神經(jīng)網(wǎng)絡(luò)
洛斯阿拉莫斯國家實(shí)驗(yàn)室的研究人員發(fā)現(xiàn)，經(jīng)過無中斷的無監(jiān)督自我訓(xùn)練后，尖峰神經(jīng)網(wǎng)絡(luò)變得不穩(wěn)定。而且，這些“人造大腦”在獲得等同于一夜安息的休息之后，似乎可以恢復(fù)活力。
洛斯阿拉莫斯實(shí)驗(yàn)室的計(jì)算機(jī)科學(xué)家Yijing Watkins對實(shí)驗(yàn)室新聞部門說的話。
研究小組在努力使他們的神經(jīng)網(wǎng)絡(luò)具有學(xué)習(xí)如何看待的能力的同時(shí)做出了這一發(fā)現(xiàn)。
加勒特·肯揚(yáng)（Garrett Kenyon）也是洛斯阿拉莫斯實(shí)驗(yàn)室的計(jì)算機(jī)科學(xué)家，他解釋說，當(dāng)開發(fā)人員使用具有生物現(xiàn)實(shí)意義的尖峰神經(jīng)形態(tài)處理器時(shí)，或者在研究處理器以了解生物學(xué)本身時(shí)，網(wǎng)絡(luò)就會(huì)出現(xiàn)不穩(wěn)定。
Kenyon說，大多數(shù)從事機(jī)器學(xué)習(xí)，深度學(xué)習(xí)和AI的研究人員“從來沒有遇到過這個(gè)問題，因?yàn)樵谒麄冄芯康姆浅Ｈ斯さ南到y(tǒng)中，他們具有執(zhí)行全局?jǐn)?shù)學(xué)運(yùn)算的奢望，這些運(yùn)算可以調(diào)節(jié)系統(tǒng)的整體動(dòng)態(tài)增益?！?/p>
研究小組計(jì)劃在神經(jīng)形態(tài)芯片上嘗試他們的算法，測試休息時(shí)間是否允許芯片穩(wěn)定地實(shí)時(shí)處理從硅視網(wǎng)膜發(fā)送給它的信息。
該實(shí)驗(yàn)室的新聞小組提供：“如果這些發(fā)現(xiàn)證實(shí)了需要人工大腦進(jìn)行睡眠，那么我們可能會(huì)期望未來可能出現(xiàn)的機(jī)器人和其他智能機(jī)器也是如此。”
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。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
103636 -
計(jì)算機(jī)科學(xué)
+關(guān)注
關(guān)注
1文章
144瀏覽量
11634
發(fā)布評論請先 登錄
相關(guān)推薦
熱點(diǎn)推薦
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神經(jīng)網(wǎng)絡(luò)
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)元對輸入數(shù)據(jù)進(jìn)行加權(quán)求和，并通過非線性
BP神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別中的應(yīng)用
傳播神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network），是一種多層前饋神經(jīng)網(wǎng)絡(luò)，主要通過反向傳播算法進(jìn)行學(xué)習(xí)。它通常包括輸入層、一個(gè)或多個(gè)隱藏層和輸出層。BP神經(jīng)網(wǎng)絡(luò)
深度學(xué)習(xí)入門：簡單神經(jīng)網(wǎng)絡(luò)的構(gòu)建與實(shí)現(xiàn)
深度學(xué)習(xí)中，神經(jīng)網(wǎng)絡(luò)是核心模型。今天我們用 Python 和 NumPy 構(gòu)建一個(gè)簡單的神經(jīng)網(wǎng)絡(luò)。 神經(jīng)網(wǎng)絡(luò)由多個(gè)神經(jīng)元組成，神經(jīng)元之間
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 人工神經(jīng)網(wǎng)絡(luò) ? 人工神經(jīng)網(wǎng)絡(luò)模型之所
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），是一種最簡單的人工
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)能夠保持對之前信息的記
LSTM神經(jīng)網(wǎng)絡(luò)的基本原理 如何實(shí)現(xiàn)LSTM神經(jīng)網(wǎng)絡(luò)
LSTM（長短期記憶）神經(jīng)網(wǎng)絡(luò)是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN），它能夠?qū)W習(xí)長期依賴信息。在處理序列數(shù)據(jù)時(shí)，如時(shí)間序列分析、自然語言處理等，LSTM因其能夠有效地捕捉時(shí)間序列中的長期依賴關(guān)系而受到
Moku人工神經(jīng)網(wǎng)絡(luò)101
Moku3.3版更新在Moku:Pro平臺(tái)新增了全新的儀器功能【神經(jīng)網(wǎng)絡(luò)】，使用戶能夠在Moku設(shè)備上部署實(shí)時(shí)機(jī)器學(xué)習(xí)算法，進(jìn)行快速、靈活的信號(hào)分析、去噪、傳感器調(diào)節(jié)校準(zhǔn)、閉環(huán)反饋等應(yīng)用。如果您
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
工商網(wǎng)監(jiān)
評論