所谓迁移学习,其实就是AI在GTA5里考下的那本驾照

2017.06.08 08:11 人工智能概念股

我们都在歌颂人工智能的伟大,但我们都知道,如今的人工智能对我们生活的改变,很多都基于计算能力的增强、数据量的庞大和算法架构的优化。可自然环境中无穷无尽的变量、每个用户也有不同的个性化需要,这一切都在增加着人工智能算法的应用难度。

最关键的是,很多时候我们很难针对每一个应用模式都寻找到一个相应的数据库,从而进一步阻碍了算法的实际应用。

面对这个问题,很多专家把希望寄托于迁移学习之上。今天就来聊聊,迁移学习到底是个什么鬼,还有它会怎样改变人工智能的应用。

迁移学习——让机器融会贯通

在目前的机器学习中常常出现这种情况,当我们想教会机器辨识一张图片上动物是猫还是狗时,我们需要大量的猫狗图片数据。好不容易教会了,当把问题换成图片上的动物是老虎还是狼时,过去的训练无法发挥一点作用,只能从头开始。又比如说,我们利用白天街景训练出了一个在可以马路上识别行人的模型,可到了晚上,这一模型的表现却糟糕的令人咋舌。

类似的情况正在不断的增加着机器学习应用场景的限制和成本,原因就在于机器缺少在学习上的迁移。什么叫学习上的迁移?就是当你学习过法语再学英语,学习速度会比只懂中文的人更快。让机器在学习时可以举一反三和融汇贯通,是迁移学习的最终目的。

学会抽象思考是迁移学习的第一步

那么机器究竟是怎么迁移学习的?用一句形象的话说,是机器学会了抽取概念。

比如说,我们可以为机器模拟出一个训练环境,就像玩游戏时的模拟教学关卡,学会了怎么玩,再走去面对各种各样的真实游戏情况。当然,这样学习方式一定要建立在模拟数据和现实数据十分相似的前提下。所谓迁移的程度也就大大的降低了。

除此之外,迁移学习也可以让机器通过特征进行迁移。如上文提到的从辨识猫狗到辨识狼虎,机器可以从猫与狗的区别中提出长/短吻、耳朵形状等等特征,将这些特征差异与不同答案的对应模式应用于狼与老虎的判断中。

其他的还有结合深度神经网络来进行基于模型的迁移,比如我们利用大量语料进行了基于普通话的语音识别训练,当我们开始进行基于山东话的语音识别训练时,虽然不能直接使用普通话的模型,但可以基于原有的模型,只需要少量的语料就可以完成训练了。

相比“直接”的迁移模型,我们目前更多的还是在利用迁移学习减少模型训练成本。如今迁移学习还在不断的发展中,出现了层次型的迁移学习,把问题分层,将能够应用原有模型的层次固定,在其他层次再进行训练。还有传导式的迁移学习、迁移学习方式获取等等。

迁移学习怎么应用?在GTA5里训练无人驾驶!

说了这么多,其实我们最关心的还是迁移学习的实际应用。

最容易理解的迁移学习,存在于机器模拟训练环境之中。最典型的就是DeepMind通过仿真环境训练机械手臂的案例,没错就是那个拥有阿尔法狗的DeepMind,在2015年,DeepMind就将其作为推最新研究成果推出。最近又出现了无人驾驶项目Deep Drive在GTA5里训练AI。

利用模拟环境训练机器,虽然暂时不会加快家务机器人的应用,但对于工业生产来说,极大的降低了智能化的成本。对于各种工业作业的不同需求,应用机械也需要不同的算法模型,可直接在实物上训练意味着巨大的成本。这时利用迁移学习的模拟训练就能解决很多工业方面的需要。同时在无人驾驶上,很多平台也都开放了自身的模拟器,帮助无人驾驶实现更快速的训练。

除了模拟之外特征识别也有很广的应用,最典型的就是对用户在通用领域的喜好迁移到个别领域之上。最典型的就是根据以往数据,得知用户喜欢推理电影,在为用户推荐书籍时,也会为其优先推荐推理小说。不仅仅让智能推荐更加准确,在一些人机会话中,也可以通过增强对用户的了解而减少对话的步骤。

除了以上两点外,迁移学习还有大量应用案例。业内有人认为从深度学习到增强学习再到迁移学习的过程中,我们对数据的依赖程度越来越轻,所以迁移学习相比另外两者更加“高级”。不过我们也可以换个思路,正确的了解和看待每一种学习方式,或许多种理论的交会和共同发展才真正有益于机器学习。

人工智能概念股:埃斯顿、科大智能、汉王科技、江南化工、华东数控、和而泰、中科曙光、永创智能、北京君正、通富微电、永创智能、劲拓股份。

人工智能概念股

那么问题来了:最值得配置的人工智能概念股是哪只?即刻申请进入国内首个免费的非公开主题投资交流社区概念股论坛参与讨论!

0 0 0

东方智慧,投资美学!

我要投稿

申明:本文为作者投稿或转载,在概念股网 http://www.gainiangu.com/ 上发表,为其独立观点。不代表本网立场,不代表本网赞同其观点,亦不对其真实性负责,投资决策请建立在独立思考之上。

< more >

ABCDEFGHIJKLMNOPQRSTUVWXYZ0-9
暂无相关概念股
暂无相关概念股
go top