神經網路的未來發展
從google
的搜尋介面說起
對於google
那麼神經網路和深度學習是扮演什麼角色呢？
我們其實還需要巨大的突破，尤其是如何理解這個東西，確實這個東西效果非常好，但是還難說會不會有更好的東西超過它，也許有更好的，也許這就是最厲害的，這都說不准還。
那麼神經網路能否引領人工智慧呢？
在這一點上，首先有乙個定理，是
conway』s law
，軟體設計的架構，實際上反應了公司的組織與溝通架構，那麼如果我們要造出來乙個
ai，那麼真的
ai體現了什麼樣子的社會架構。我們的社會架構是否支援我們造出這樣的ai。
這個領域剛剛開始發力，有一些國際會議。但是看看其他相關的領域發展，比如說醫學，最開始是全面的知識，每個人都能掌握，然後逐漸細分，有一些相關的會議，有一些相關的機構。人類的知識結構決定了社會組織，反過來也促進知識發現。這是乙個相輔相成的過程，從這一角度來看，社會對於深度學習的適應，還需要一段時間，現在還是在乙個新生的時期。
所以總的來說，兩個核心問題，第乙個就是我們的深度學習技術是否足夠複雜，這可以通過我們的社會組織來作為乙個
proxy
看出來，這是第乙個問題。第二個就是我們的能力能夠已經可以建立出來乙個ai。
一切都太早，科學家也說不准，科學家所能說的：未來十年，這將會實現。
但是他就這麼確定嗎？
神經網路 卷積神經網路
這篇卷積神經網路是前面介紹的多層神經網路的進一步深入，它將深度學習的思想引入到了神經網路當中，通過卷積運算來由淺入深的提取影象的不同層次的特徵，而利用神經網路的訓練過程讓整個網路自動調節卷積核的引數，從而無監督的產生了最適合的分類特徵。這個概括可能有點抽象，我盡量在下面描述細緻一些，但如果要更深入了...
神經網路 卷積神經網路
1.卷積神經網路概覽 來自吳恩達課上一張，通過對應位置相乘求和，我們從左邊矩陣得到了右邊矩陣，邊緣是白色寬條，當畫素大一些時候，邊緣就會變細。觀察卷積核，左邊一列權重高，右邊一列權重低。輸入，左邊的部分明亮，右邊的部分灰暗。這個學到的邊緣是權重大的寬條 都是30 表示是由亮向暗過渡，下面這個圖左邊暗...
非區域性神經網路，打造未來神經網路基本元件
將非區域性計算作為獲取長時記憶的通用模組，提高神經網路效能在深度神經網路中，獲取長時記憶 long range dependency 至關重要。對於序列資料 例如語音 語言 遞迴運算 recurrent operation 是長時記憶建模的主要解決方案。對於影象資料，長時記憶建模則依靠大型感受野，後...