开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

如何集成两个经过不同训练的神经网络？

集成两个经过不同训练的神经网络可以通过以下几种方法实现：

模型融合（Model Fusion）：将两个神经网络的权重进行融合，生成一个新的模型。常见的融合方法包括加权平均、投票法和堆叠法。加权平均是指将两个模型的预测结果按照一定权重进行加权求和，得到最终的预测结果。投票法是指将两个模型的预测结果进行投票，选择得票最多的结果作为最终预测结果。堆叠法是指将两个模型的预测结果作为输入，再通过一个额外的模型进行训练，得到最终的预测结果。
特征融合（Feature Fusion）：将两个神经网络的特征进行融合，生成一个新的特征表示。常见的融合方法包括拼接、加权拼接和注意力机制。拼接是指将两个神经网络的特征在某个维度上进行拼接，得到一个更丰富的特征表示。加权拼接是指将两个神经网络的特征进行加权拼接，通过学习权重来决定每个特征的重要性。注意力机制是指通过学习一个权重向量，来决定两个神经网络特征的重要性，然后将两个特征进行加权融合。
迁移学习（Transfer Learning）：将一个神经网络的部分或全部层迁移到另一个神经网络中，以利用已经训练好的模型在新任务上进行微调。迁移学习可以通过冻结某些层的权重，只微调部分层的权重，或者将某些层的权重复制到新的神经网络中。
集成学习（Ensemble Learning）：将两个神经网络的预测结果进行集成，得到最终的预测结果。常见的集成方法包括投票法、平均法和堆叠法。投票法是指将两个神经网络的预测结果进行投票，选择得票最多的结果作为最终预测结果。平均法是指将两个神经网络的预测结果进行平均，得到最终的预测结果。堆叠法是指将两个神经网络的预测结果作为输入，再通过一个额外的模型进行训练，得到最终的预测结果。

腾讯云相关产品和产品介绍链接地址：

腾讯云机器学习平台（https://cloud.tencent.com/product/tiia）
腾讯云人工智能开放平台（https://cloud.tencent.com/product/ai）
腾讯云深度学习平台（https://cloud.tencent.com/product/dla）
腾讯云大数据与AI（https://cloud.tencent.com/product/bda）
腾讯云智能语音（https://cloud.tencent.com/product/tts）
腾讯云智能图像（https://cloud.tencent.com/product/ci）
腾讯云智能视频（https://cloud.tencent.com/product/vod）
腾讯云智能音频（https://cloud.tencent.com/product/asr）
腾讯云智能文本（https://cloud.tencent.com/product/nlp）
腾讯云智能人脸（https://cloud.tencent.com/product/face）
腾讯云智能OCR（https://cloud.tencent.com/product/ocr）
腾讯云智能机器翻译（https://cloud.tencent.com/product/tmt）
腾讯云智能问答（https://cloud.tencent.com/product/qa）
腾讯云智能推荐（https://cloud.tencent.com/product/recommendation）
腾讯云智能语音合成（https://cloud.tencent.com/product/tts）
腾讯云智能语音识别（https://cloud.tencent.com/product/asr）
腾讯云智能图像识别（https://cloud.tencent.com/product/ci）
腾讯云智能视频识别（https://cloud.tencent.com/product/vod）
腾讯云智能音频识别（https://cloud.tencent.com/product/asr）
腾讯云智能文本识别（https://cloud.tencent.com/product/ocr）
腾讯云智能人脸识别（https://cloud.tencent.com/product/face）
腾讯云智能OCR识别（https://cloud.tencent.com/product/ocr）
腾讯云智能机器翻译（https://cloud.tencent.com/product/tmt）
腾讯云智能问答（https://cloud.tencent.com/product/qa）
腾讯云智能推荐（https://cloud.tencent.com/product/recommendation）

相关搜索:如何使用经过训练的神经网络模型？如何在python中测试经过训练的神经网络？如何训练不同类型数据的神经网络？如何使用英特尔集成显卡训练神经网络如何在Python中使用经过训练的Matlab神经网络进行检测如何将两个不同的经过训练的ML模型合并为一个？是否有可能扩展经过训练的神经网络以识别其他模式使用经过R训练的神经网络来预测C++中的新数据 Keras :我如何“合并”两个不同神经网络的输出来训练解码器？多任务学习:训练神经网络，使其具有两个类的不同损失函数？如何同时为两个不同的训练集和不同的代价函数训练Keras模型如何保存我训练好的神经网络？如何在不同的分辨率下使用经过训练的深度学习模型？如何恢复、更新和保存经过训练的模型如何对这个经过训练的模型进行预测？如何检验训练好的神经网络的预测输出 Keras:如何使用经过训练的网络进行快速预测？如何在新输入上使用经过训练的模型？如何加载经过训练的模型来推断预测数据 TensorFlow -如何在不同的测试数据集上使用经过训练的模型进行预测？

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

ICLR 2020 | 神经正切，5行代码打造无限宽的神经网络模型

本文是对 ICLR 2020 论文《NEURAL TANGENTS: FAST AND EASY INFINITE NEURAL NETWORKS IN PYTHON》的解读，作者来自谷歌。

03

深度学习中的3个秘密：集成，知识蒸馏和自蒸馏

训练好的模型，用自己蒸馏一下，就能提高性能，是不是很神奇，这里面的原理到底是什么呢，这要从模型集成开始说起。

01

【深度森林第三弹】周志华等提出梯度提升决策树再胜DNN

新智元编译来源：arxiv 编辑：闻菲、克雷格【新智元导读】今天，ArXiv上公布了深度森林系列最新的第三弹——可做表示学习的多层GBDT，冯霁、俞扬和周志华提出了一种新颖的具有显式表示学习能

02

周志华最新论文挑战深度学习 | 深度森林：探索深度神经网络以外的方法

1新智元编译来源： arXiv 译者：闻菲、刘小芹、张易《机器学习》作者、南京大学周志华日前发表论文，提出了一种基于树的方法，挑战深度学习。在设置可类比的情况下，新方法 gcForest 取得了和深度神经网络相当甚至更好的结果，而且更容易训练，小数据也能运行，更重要的是相比神经网络，基于树的方法不会存在那么困难的理论分析问题。周志华和冯霁在论文里写道，“我们认为，要解决复杂的问题，学习模型也需要往深了去。然而，当前的深度模型全部都是神经网络。这篇论文展示了如何构建深度树（deep forest），

05

周志华最新论文挑战深度学习 | 深度森林：探索深度神经网络以外的方法

【新智元导读】西瓜书《机器学习》作者、南京大学周志华日前发表论文，提出了一种基于树的方法，挑战深度学习。在设置可类比的情况下，新方法 gcForest 取得了和深度神经网络相当甚至更好的结果，而且更容易训练，小数据也能运行，更重要的是相比神经网络，基于树的方法不会存在那么困难的理论分析问题。周志华和冯霁在论文里写道，“我们认为，要解决复杂的问题，学习模型也需要往深了去。然而，当前的深度模型全部都是神经网络。这篇论文展示了如何构建深度树（deep forest），为在许多任务中使用深度神经网络之外的方法打开了

周志华：“深”为什么重要，以及还有什么深的网络

IJCAI 2019 在中国澳门隆重召开，南京大学周志华教授进行特邀大会演讲，演讲主题是《Deep Learning: Why deep and is it only doable for neura

03

最好的Dropout讲解

Dropout (Dropout)(Srivastava et al., 2014) 提供了正则化一大类模型的方法, 计算方便但功能强大。第一种近似下,Dropout可以被认为是集成非常多的大神经网络的实用Bagging方法。Bagging涉及训练多个模型,并在每个测试样本上评估多个模型。当每个模型是一个大型神经网络时,这似乎是不切实际的,因为训练和评估这样的网络需要花费很多运行时间和内存。通常只能集成五至十个神经网络, 如Szegedy et al. (2014a) 用六个赢得 ILSVRC,超过这个数量就会迅速变得难以处理。Dropout提供了一种廉价的Bagging集成近似,能够训练和评估指数级的神经网络。

01

深度森林新探索，应用于多标签学习

该类技术是一种基于不可微分单元（即树/树集成）的方法，具备适合多核芯片架构加速等特点，并且能够比基于神经网络的感知器更好地处理离散数据或列表数据，利用如英特尔至强可扩展处理器这样的核心架构设备可以达到最大程度的优化。

01

深度 | 周志华：“深”为什么重要，以及还有什么深的网络

许多特性并不是深度神经网络独有~ 作者：杨晓凡编辑：Camel 8 月 10 日至 16 日，IJCAI 2019 在中国澳门隆重召开。14 日下午，南京大学周志华教授进行特邀大会演讲，演讲主题

03

深度森林第三弹：周志华组提出可做表征学习的多层梯度提升决策树

选自arXiv 作者：冯霁、俞扬、周志华机器之心编译自去年周志华等研究者提出了「深度森林」以后，这种新型的层级表征方式吸引了很多研究者的关注。今日，南京大学的冯霁、俞扬和周志华提出了多层梯度提升决策树模型，它通过堆叠多个回归 GBDT 层作为构建块，并探索了其学习层级表征的能力。此外，与层级表征的神经网络不同，他们提出的方法并不要求每一层都是可微，也不需要使用反向传播更新参数。因此，多层分布式表征学习不仅有深度神经网络，同时还有决策树! 近十年来，深层神经网络的发展在机器学习领域取得了显著进展。通过构建

04

如何利用全新的决策树集成级联结构gcForest做特征工程并打分？

摘要在这篇论文里，我们提出了 gcForest，这是一种决策树集成方法（decision tree ensemble approach），性能较之深度神经网络有很强的竞争力。深度神经网络需要花大力气调参，相比之下 gcForest 要容易训练得多。实际上，在几乎完全一样的超参数设置下，gcForest 在处理不同领域（domain）的不同数据时，也能达到极佳的性能。gcForest 的训练过程效率高且可扩展。在我们的实验中，它在一台 PC 上的训练时间和在 GPU 设施上跑的深度神经网络差不多，有鉴于 gcForest 天然适用于并行的部署，其效率高的优势就更为明显。此外，深度神经网络需要大规模的训练数据，而 gcForest 在仅有小规模训练数据的情况下也照常运转。不仅如此，作为一种基于树的方法，gcForest 在理论分析方面也应当比深度神经网络更加容易。级联森林（Cascade Forest）

01

单网络内部集成：我要打十个！

提高模型效果一直是机器学习（包括深度学习）中的关键问题。然而，独立神经网络在层数较多的情况下，往往会受到边缘效应的影响。同时，集成是进一步提高模型效果的有效技术。

02

周志华作序！高徒魏秀参新书《解析深度学习》试读（评论赠书）

“市面上深度学习书籍已不少，但专门针对卷积神经网络展开，侧重实践又不失论释者尚不多见。本书基本覆盖了卷积神经网络实践所涉之环节，作者交代的若干心得技巧亦可一观，读者在实践中或有见益。”

04

深度学习最新方法：Snapshot Ensembling以及OUT!随机加权平均才是未来！！！

【AI 导读】本文，我们将讨论近期两篇有意思的论文，论文的大致思路是通过一种集成方式来提高任意给定的神经网络性能。这两篇论文分别是：由 Garipov 等人提出的 “Loss Surfaces，Mode Connectivity，and Fast Ensembling of DNNs” 由 Izmailov 等人提出的 “Averaging Weights Leads to Wider Optima and Better Generalization” ▌传统的神经网络集成方法传统的集成方法是集成几

02

深度学习最新方法：随机加权平均，击败了当前最先进的Snapshot Ensembling

【AI 科技大本营导读】本文，我们将讨论近期两篇有意思的论文，论文的大致思路是通过一种集成方式来提高任意给定的神经网络性能。这两篇论文分别是：

03

随机加权平均 -- 在深度学习中获得最优结果的新方法

在这篇文章中，我将讨论最近两篇有趣的论文。它们提供了一种简单的方式，通过使用一种巧妙的集成方法提升神经网络的性能。

02

AutoML大提速，谷歌开源自动化寻找最优ML模型新平台Model Search

神经网络的成功通常取决于在多种任务上的泛化性能。然而，设计此类神经网络很有难度，因为研究社区对神经网络如何泛化仍没有充分的了解：对于给定问题，什么样的神经网络是适合的？深度如何？应该使用哪种层？LSTM 层就可以了，还是使用 Transformer 更好一些？抑或将二者结合？集成或蒸馏会提升模型性能吗？

02

DeepProbLog: Neural Probabilistic Logic Programming

本论文介绍的DeepProlog是一种概率逻辑编程语言，通过神经谓词和深度学习结合起来。我们将展示现有的推理和正在学习的技术将如何适应新的语言。我们的实验表明，DeepProblog支持符号和子符号的表示和推理，程序的归结，概率逻辑规划，从样例中学习。据我们所知，这项工作首先提出了一个能把通用神经网络和表达概率逻辑建模和推理以某种方式结合的框架，从而有更强的表达能力和两种框架的优点，并且可以基于样例进行端到端的训练。

02

机器学习学习笔记（21）深度学习中的正则化

在机器学习中，许多策略被显式的设计来减少测试误差（可能会以增大训练误差为代价）。这些策略统称为正则化。

02

图神经网络系统介绍与总结分析

图神经网络算法将深度神经网络的运算(如卷积、梯度计算)与迭代图传播结合在一起：每个顶点的特征都是由其邻居顶点的特征结合一组深度神经网络来计算。

05

ResNeXt：何恺明 Facebook 升级 ResNet，提出神经网络新维度

【新智元导读】在 ImageNet 和 COCO 2015 竞赛中，共有 152 层的深度残差网络 ResNet 在图像分类、目标检测和语义分割各个分项都取得最好成绩，相关论文更是连续两次获得 CVPR 最佳论文。ResNet 作者之一何恺明在去到 Facebook AI 实验室后，继续改进工作提出了 ResNeXt。ResNeXt 采用多分支的同构结构，只需要设定较少的超参数，并且显露出在深度、宽度之外神经网络的另一个衡量指标——“基数”（cardinality）。本文从何恺明和他的同事 ResNeXt

08

ICLR 2019最佳论文揭晓！NLP深度学习、神经网络压缩成焦点

两篇最佳论文分别来自Mila/加拿大蒙特利尔大学、微软蒙特利尔研究院和MIT CSAIL，主题分别集中在NLP深度学习模型和神经网络压缩。

03

机器学习算法集锦：最常见算法类别与优缺点？

它是另一种方法（通常是回归方法）的拓展，这种方法会基于模型复杂性对其进行惩罚，它喜欢相对简单能够更好的泛化的模型。

02

CVPR2022 | 可精简域适应

深度神经网络通常对离线采集的图像（标记的源数据）进行训练，然后嵌入到边缘设备中，以测试从新场景中采集的图像（未标记的目标数据）。在实践中，这种模式由于域转移而降低了网络性能。近年来，越来越多的研究者对无监督领域适应（UDA）进行了深入研究，以解决这一问题。

03

深度学习笔记之《解析卷积神经网络》附下载地址

实际上深度学习，只是机器学习的一个子领域，同样地，机器学习也是人工智能的一个子领域。但是随着深度学习的发展，尤其是在AlphaGo那场世纪大战之后，深度学习渐渐地脱离于机器学习，人们口中的“机器学习”逐渐地成了传统机器学习，即不包含深度学习的那部分。与此同时，机器学习、深度学习同时也是计算机视觉、自然语言处理、语音识别的工具，上述领域的关系相辅相成，不能割裂地看待。

04

AI算法领域常用的39个术语（下）

生成对抗网络(GAN, Generative Adversarial Networks )是一种深度学习模型，是最近两年十分热门的一种无监督学习算法。生成对抗网络(GAN)由两个重要部分构成：生成器和判别器。

00

智能手机哪家强？实时人像分割大比拼！

近年来，各种图像效果越来越受到人们的关注。散景一个很受欢迎的例子是在图像的非聚焦范围进行虚化。这个效果由快速镜头大光圈实现。不幸的是，手机摄像头很难实现这种效果，因为它还没达到技术规格的要求。然而，如果每幅图像的像素可以分为人和背景两个类别，就可以达到只有背景被虚化的散景效果。每个像素被分类的过程叫做语义分割，并且可以应用到不同的地方，比如改变图像的背景或者分别对前景或者背景进行过滤。

02

AI面试题之防止过拟合的所有方法

过拟合就是在训练集上表现得非常好，在测试集上表现得不好。也就是我们俗称的泛化能力弱。

02

神经网络用来解决什么问题的？—ML Note 44

“Neural Networks: Representation——Non-linear hypotheses”。

02

模型的独立学习方式

针对一个给定的任务，通常采取的步骤是：准确一定非规模的数据集，这些数据要和真实数据集的分布一致；然后设定一个优化目标和方法；然后在训练集上训练模型。

02

AI技术说：人工智能相关概念与发展简史

作为近几年的一大热词，人工智能一直是科技圈不可忽视的一大风口。随着智能硬件的迭代，智能家居产品逐步走进千家万户，语音识别、图像识别等AI相关技术也经历了阶梯式发展。如何看待人工智能的本质？人工智能的飞速发展又经历了哪些历程？本文就从技术角度为大家介绍人工智能领域经常提到的几大概念与AI发展简史。一、人工智能相关概念 1、人工智能（Artifical Intelligence, AI)：就是让机器像人一样的智能、会思考, 是机器学习、深度学习在实践中的应用。人工智能更适合理解为一个产业，泛指生产更加智能的

06

JCIM｜XGraphBoost：基于图神经网络提取特征的一种更好的分子特性预测模型

今天给大家介绍的是 Journal of Chemical Information and Modeling 上，一篇有关提取图神经网络特征、更好地预测分子特性的方法的文章 "XGraphBoost: Extracting Graph Neural Network-Based Features for a Better Prediction of Molecular Properties"。

02

DVERGE：通过“缺陷”多样化构建鲁棒集成模型 | 杨幻睿本人解读

本文是AI科技评论今日（10月20日）头条推文《14岁考入清华，22岁博士四年级，杜克大学杨幻睿的AI成长之路》的主人公杜克大学博士生杨幻睿对他这次NeurIPS 2020 Oral 论文的亲自解读。

02

如何评价周志华深度森林模型，热议会否取代深度学习 DNN

【新智元导读】昨天，新智元报道了南京大学周志华教授和冯霁的论文“深度森林”，引发很多讨论。今天，新智元整理了网上一些评价。中文内容来自知乎，已经取得授权。外网内容来自 Hacker News，由新智元

05

Keras还是TensorFlow？深度学习框架选型实操分享

深度学习发展势头迅猛，但近两年涌现的诸多深度学习框架让初学者无所适从。如 Google 的 TensorFlow、亚马逊的 MXNet、Facebook 支持的 PyTorch、Theano、Caffe、CNTK、Chainer、百度的 PaddlePaddle、DSSTNE、DyNet、BigDL、Neon 等等。

03

视频 | 硅谷深度学习网红传授超参数优化宝典

AI 研习社按：今天为大家带来硅谷深度学习网红 Siraj 在人工智能在线大会 AI WITH THE BEST（AIWTB）上的演讲，雷锋字幕组独家译制。本次演讲的主题为 Learning to Learn，主要讲解了深度神经网络中超参数优化的相关内容。视频后面我们还附带了对应的 Github 文档汉化版供读者参考，原地址见文末“阅读原文”。如今神经网络非常流行，许多问题都可以用神经网络解决，但是，找出最有效和最合适的神经网络却没那么容易。人们习惯于依靠自己的经验，尝试出最佳参数。这个过程需要付出高额的

05

Hinton胶囊网络后最新研究：用“在线蒸馏”训练大规模分布式神经网络

【新智元导读】深度学习领域的大牛、多伦多大学计算机科学教授Geoffrey Hinton近年在distillation这一想法做了一些前沿工作。今天我们介绍的是Hinton作为作者之一，谷歌大脑、DeepMind等的研究人员提交的distillation的更进一步工作：通过online distillation进行大规模分布式神经网络训练。该工作提出了Codistillation的概念，通过大规模实验，发现codistillation方法提高了准确性并加快了训练速度，并且易于在实践中使用。论文地址：h

重磅 | 周志华最新论文：首个基于决策树集成的自动编码器，表现优于DNN

向AI转型的程序员都关注了这个号☝☝☝ 翻译 | AI科技大本营（rgznai100）参与 | 周翔、reason_W成龙，Shawn 今年 2 月，南京大学的周志华教授和他的学生 Ji Feng

04

Hinton胶囊网络后最新研究：用“在线蒸馏”训练大规模分布式神经网络

新智元报道来源：arXiv 编译：肖琴、克雷格【新智元导读】深度学习领域的大牛、多伦多大学计算机科学教授Geoffrey Hinton近年在distillation这一想法做了一些前沿工作。

09

挖掘算法&模型

原文：一只鸟的天空(http://blog.csdn.net/heyongluoyao8) 在进行数据挖掘时，首先要进行商业理解，即我们需要达到什么目的，解决什么问题；其次需要进行数据理解，我们需要哪些数据以及需要什么样的数据；接着需要进行数据准备，即进行相关数据采集与读取，并进行数据预处理；继而建立相关模型，即使用什么算法与模型去解决这个问题；进而进行模型评估，即采用一些指标评价模型的好坏程度；然后，进行模型发布，即当模型的效果达到设定值之后，我们将模型进行上线发布；最后，进行模型更新

07

学界 | 中科院自动化所提出不规则卷积神经网络：可动态提升效率

选自arXiv 作者：马佳彬等机器之心编译参与：李泽南近日，中国科学院自动化研究所马佳彬、王威、王亮等人发表的研究提出了一种新形式的卷积神经网络——不规则卷积神经网络。研究人员认为新的方法能够解

07

深度学习已成功应用于这三大领域

本文中，我们将介绍如何使用深度学习来解决计算机视觉、语音识别、自然语言处理以及其他商业领域中的应用。首先我们将讨论在许多最重要的AI 应用中所需的大规模神经网络的实现。接着，我们将回顾深度学习已经成功应用的几个特定领域。尽管深度学习的一个目标是设计能够处理各种任务的算法，然而截至目前深度学习的应用仍然需要一定程度的特化。例如，计算机视觉中的任务对每一个样本都需要处理大量的输入特征(像素)，自然语言处理任务的每一个输入特征都需要对大量的可能值(词汇表中的词) 建模。大规模深度学习深度学习的基本思想基于

09

深度学习已成功应用于这三大领域

编者按：本文选自图书《Deep Learning》中文版第十二章部分内容，《深度学习》由全球知名的三位专家Ian Goodfellow、Yoshua Bengio和Aaron Courville撰写，是深度学习领域奠基性的经典教材。在本章中，我们将介绍如何使用深度学习来解决计算机视觉、语音识别、自然语言处理以及其他商业领域中的应用。首先我们将讨论在许多最重要的AI 应用中所需的大规模神经网络的实现。接着，我们将回顾深度学习已经成功应用的几个特定领域。尽管深度学习的一个目标是设计能够处理各种任务的算法，

04

深度学习已成功应用于这三大领域

编者按：本文选自图书《Deep Learning》中文版第十二章部分内容，《深度学习》由全球知名的三位专家Ian Goodfellow、Yoshua Bengio和Aaron Courville撰写，是深度学习领域奠基性的经典教材。在本章中，我们将介绍如何使用深度学习来解决计算机视觉、语音识别、自然语言处理以及其他商业领域中的应用。首先我们将讨论在许多最重要的AI 应用中所需的大规模神经网络的实现。接着，我们将回顾深度学习已经成功应用的几个特定领域。尽管深度学习的一个目标是设计能够处理各种任务的算法，然

02

新型神经网络系统：由忆阻器制成，效率更高！

导读美国密歇根大学开发出由忆阻器制成的神经网络系统，也称为储备池计算系统。它教会机器像人类一样思考，并显著提升效率。背景神经网络，是一种应用类似于大脑神经突触联接的结构，模仿动物神经网络行为特征，进行分布式信息处理的数学模型。神经网络中的算法可以通过训练，模仿人脑识别语音和图片的方式。但是，运行这种人工智能系统，往往会耗费很多的时间和能量，这也成为了这一技术的主要瓶颈。之前，笔者介绍过法国科学家利用忆阻器开发出一种神经网络芯片，对于神经网络系统来说，不仅降低了能耗，而且还提升了速度。神经网络受到了

06

深度学习各方面应用

导语：在本章中，我们将介绍如何使用深度学习来解决计算机视觉、语音识别、自然语言处理以及其他商业领域中的应用。首先我们将讨论在许多最重要的AI 应用中所需的大规模神经网络的实现。接着，我们将回顾深度学习

06

Nature最新：下一代计算架构革命，从“全光学神经网络”开始

光纤能够以光的形式在世界范围内传输数据，成为现代电信技术的支柱。不过如果需要分析这些传输数据，要将其从光信号转换为电子信号，然后用电子设备进行处理。曾经有一段时间，光学被认为是未来最具潜力的计算技术的基础，但与电子计算机的快速进步相比，光学计算技术的竞争力明显不足。

02

机器学习有望更深入、更便宜

2016年3月，谷歌的计算机彻底打败了世界围棋冠军李世石（Lee Sedol），这是人工智能领域的里程碑事件。获胜的计算机程序由英国伦敦谷歌DeepMind实验室的研究人员创建，利用了深度学习人工神经网络。深度学习是一种策略，多层处理的神经网络以自动化方式配置，解决手边的问题。那时公众还不知道谷歌有这个秘密武器。谷歌用来打败李世石的计算机有专用硬件——谷歌称之为“张量处理单元”（Tensor Processing Unit）的计算机芯片。围棋比赛两个月后，谷歌硬件工程师宣布了张量处理单元的存在，并在博文中

06

2017 年最推荐的五篇深度学习论文

07

重磅！从单层感知器到深度学习以及深度学习必知的框架

一单层神经网络（感知器） 1.结构下面来说明感知器模型。在原来MP模型的“输入”位置添加神经元节点，标志其为“输入单元”。其余不变，于是我们就有了下图：从本图开始，我们将权

09

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭