AI学习笔记——End

  • 时间:
  • 浏览:1
  • 来源:uu直播快3平台

AI学习笔记——循环神经网络(RNN)的基本概念AI学习笔记——神经网络和高度学习AI学习笔记——卷积神经网络1(CNN) ————

再举有三个白 多识别图片中猫的品种的例子,当当我们 歌词 都都都可以什么都设计Pipline: 第一步先识别图片中是是否猫,第二步再识别猫是都在你这个 品种:

文章首发steemit.com 为了方便墙内阅读,搬运至此,欢迎留言之前 访问

End-to-End 学习不须要哪几种步骤,像黑盒子一样一步到位出理 问题。神经网络算法什么都有三个白 多被广泛应用的End-to-End学习的算法。End-to-End 算法尤其适用于数据量巨大的机器学习任务中。

人和车的被标记好的数据很容易找到,完成你这个 步,再进行路径规划,什么都训练起来就容易什么都了。而什么都设计算法的步骤什么都pipline.

要知道哪几种是End-to-End学习首沒有知道传统的非End-to-End学习是哪几种。以语义分类(判断评论为正面评论还是负面评论)为例,非End-to-End的学习须要对语音识别之前 要经过两步出理 :解析器(Parser) 注释文本和感情是什么 的句子分类器(Sentiment Classifier)预测文本。

————

在语音识别领域,非End-to-End 的学习大致经历:计算形态学 解析得到人工设计的频谱形态学 ,音素(Phonemes)识别器识别语音中的“音素”和最终识别有三个白 多步骤:

解析器是对文本进行标注,比如形容词(好,坏,糟糕等),感情是什么 的句子分类器再来预测文本是正面的还是负面的,整个过程如图:

非End-to-End的学习算法中,须要人类做极少量的前期准备工作,比如在上述语音识别的例子中,"音素"是语言学家发明家 权的,在出理 过程人太好提高了下行速率 什么都无疑会丢失语音中的其他信息。什么都你这个 算法须要的数据量比较小。

然而,之前 使用非End-to-End的法律法律法子,比如下图,先识别车和人,再进行路径规划

然而End-to-End 也只须要一步就搞定了

正如上文提到的,End-to-End的学习法律法律法子并都在在所有的领域都在最好的选择。最重要的是到底有沒有足够可靠的数据。以自动驾驶为例,通过摄像头识别人和车辆,什么都规划驾驶路径。之前 用End-to-End的法律法律法子,须要积累海量量标记好的数据,各种路况不同的路径规划,非常困难。

相关文章

End-to-End学习算法人太好不须要太大的人工干预,什么都须要极少量标记的数据,并都在在所有领域都在最好的选择。