電子發(fā)燒友網(wǎng)>電子資料下載>電子資料>機器視覺應用程序從深度學習神經(jīng)網(wǎng)絡中汲取智能

機器視覺應用程序從深度學習神經(jīng)網(wǎng)絡中汲取智能

2388639 2022-11-28 | pdf | 222.85KB | 次下載 | 免費

資料介紹

長期以來，人工智能 (AI) 一直是科幻作家和學者的主題。將人腦的復雜性復制到計算機中的挑戰(zhàn)催生了新一代的科學家、數(shù)學家和計算機算法開發(fā)人員。持續(xù)的研究現(xiàn)在已經(jīng)讓位于人工智能的使用，更常被稱為深度學習或機器學習，這些應用程序正越來越成為我們世界的一部分。雖然基本概念已經(jīng)存在很長時間，但商業(yè)現(xiàn)實從未完全實現(xiàn)。近年來，數(shù)據(jù)生成的速度猛增，開發(fā)人員不得不長期認真思考如何編寫算法以從中提取有價值的數(shù)據(jù)和統(tǒng)計數(shù)據(jù)。還，另一個關鍵因素是高度可擴展的計算資源級別的可用性，這是云自愿提供的。例如，您口袋中的智能手機可能使用谷歌的 Now（“OK Google”）或蘋果的 Siri 語音命令應用程序，這些應用程序使用深度學習算法（稱為（人工）神經(jīng)網(wǎng)絡）的強大功能來實現(xiàn)語音識別和學習功能。然而，除了與手機通話的樂趣和便利之外，還有大量工業(yè)、汽車和商業(yè)應用程序現(xiàn)在正受益于深度學習神經(jīng)網(wǎng)絡的強大功能。稱為（人工）神經(jīng)網(wǎng)絡，以實現(xiàn)語音識別和學習能力。然而，除了與手機通話的樂趣和便利之外，還有大量工業(yè)、汽車和商業(yè)應用程序現(xiàn)在正受益于深度學習神經(jīng)網(wǎng)絡的強大功能。稱為（人工）神經(jīng)網(wǎng)絡，以實現(xiàn)語音識別和學習能力。然而，除了與手機通話的樂趣和便利之外，還有大量工業(yè)、汽車和商業(yè)應用程序現(xiàn)在正受益于深度學習神經(jīng)網(wǎng)絡的強大功能。長期以來，人工智能 (AI) 一直是科幻作家和學者的主題。將人腦的復雜性復制到計算機中的挑戰(zhàn)催生了新一代的科學家、數(shù)學家和計算機算法開發(fā)人員。持續(xù)的研究現(xiàn)在已經(jīng)讓位于人工智能的使用，更常被稱為深度學習或機器學習，這些應用程序正越來越成為我們世界的一部分。雖然基本概念已經(jīng)存在很長時間，但商業(yè)現(xiàn)實從未完全實現(xiàn)。近年來，數(shù)據(jù)生成的速度猛增，開發(fā)人員不得不長期認真思考如何編寫算法以從中提取有價值的數(shù)據(jù)和統(tǒng)計數(shù)據(jù)。還，另一個關鍵因素是高度可擴展的計算資源級別的可用性，這是云自愿提供的。例如，您口袋中的智能手機可能使用谷歌的 Now（“OK Google”）或蘋果的 Siri 語音命令應用程序，這些應用程序使用深度學習算法（稱為（人工）神經(jīng)網(wǎng)絡）的強大功能來實現(xiàn)語音識別和學習功能。然而，除了與手機通話的樂趣和便利之外，還有大量工業(yè)、汽車和商業(yè)應用程序現(xiàn)在正受益于深度學習神經(jīng)網(wǎng)絡的強大功能。稱為（人工）神經(jīng)網(wǎng)絡，以實現(xiàn)語音識別和學習能力。然而，除了與手機通話的樂趣和便利之外，還有大量工業(yè)、汽車和商業(yè)應用程序現(xiàn)在正受益于深度學習神經(jīng)網(wǎng)絡的強大功能。稱為（人工）神經(jīng)網(wǎng)絡，以實現(xiàn)語音識別和學習能力。然而，除了與手機通話的樂趣和便利之外，還有大量工業(yè)、汽車和商業(yè)應用程序現(xiàn)在正受益于深度學習神經(jīng)網(wǎng)絡的強大功能。卷積神經(jīng)網(wǎng)絡卷積神經(jīng)網(wǎng)絡在查看其中一些應用程序之前，讓我們先研究一下神經(jīng)網(wǎng)絡的工作原理以及它需要哪些資源。當我們籠統(tǒng)地談論神經(jīng)網(wǎng)絡時，我們應該更準確地將它們描述為人工神經(jīng)網(wǎng)絡。它們作為軟件算法實施，基于人類和動物的生物神經(jīng)網(wǎng)絡——中樞神經(jīng)系統(tǒng)。多年來，已經(jīng)構思出多種不同類型的神經(jīng)網(wǎng)絡架構，其中卷積神經(jīng)網(wǎng)絡 (CNN) 已被最廣泛采用。造成這種情況的一個關鍵原因是他們的架構方法使他們非常適合使用基于 GPU 和 FPGA 設備的硬件加速器提供的并行化技術。CNN 流行的另一個原因是它們適合處理具有大量空間連續(xù)性的數(shù)據(jù)，其中圖像處理應用程序非常適合。空間連續(xù)性是指特定位置附近的像素共享相似的強度和顏色屬性。CNN 由不同的層構成，每一層都有特定的用途，并且在它們的操作中使用兩個不同的階段。第一部分是指令或訓練階段，允許處理算法了解它擁有的數(shù)據(jù)以及每段數(shù)據(jù)之間的關系或上下文。CNN 被創(chuàng)建為結構化和非結構化數(shù)據(jù)的學習框架，計算機創(chuàng)建的神經(jīng)元形成連接和斷開網(wǎng)絡。模式匹配是 CNN 背后的一個關鍵概念，在查看其中一些應用程序之前，讓我們先研究一下神經(jīng)網(wǎng)絡的工作原理以及它需要哪些資源。當我們籠統(tǒng)地談論神經(jīng)網(wǎng)絡時，我們應該更準確地將它們描述為人工神經(jīng)網(wǎng)絡。它們作為軟件算法實施，基于人類和動物的生物神經(jīng)網(wǎng)絡——中樞神經(jīng)系統(tǒng)。多年來，已經(jīng)構思出多種不同類型的神經(jīng)網(wǎng)絡架構，其中卷積神經(jīng)網(wǎng)絡 (CNN) 已被最廣泛采用。造成這種情況的一個關鍵原因是他們的架構方法使他們非常適合使用基于 GPU 和 FPGA 設備的硬件加速器提供的并行化技術。CNN 流行的另一個原因是它們適合處理具有大量空間連續(xù)性的數(shù)據(jù)，其中圖像處理應用程序非常適合。空間連續(xù)性是指特定位置附近的像素共享相似的強度和顏色屬性。CNN 由不同的層構成，每一層都有特定的用途，并且在它們的操作中使用兩個不同的階段。第一部分是指令或訓練階段，允許處理算法了解它擁有的數(shù)據(jù)以及每段數(shù)據(jù)之間的關系或上下文。CNN 被創(chuàng)建為結構化和非結構化數(shù)據(jù)的學習框架，計算機創(chuàng)建的神經(jīng)元形成連接和斷開網(wǎng)絡。模式匹配是 CNN 背后的一個關鍵概念，圖 1：CNN 的層方法（來源：Wikipedia – credit Aphex34 圖 1：CNN 的層方法（來源：Wikipedia – credit Aphex34