展开

关键词

深度 | 生物基础:从放电元谈起

选自Jack Terwilligers Blog作者:Jack Terwilliger机器之心编译参与:Panda人工在很多领域都取得了突破性进展,这项技术的最初灵感源自生物。 MIT 自动驾驶汽车和人工智能方向的副研究员 Jack Terwilliger 近日在自己的博客上发布了其系列文章《生物》的第一篇,对生物元的基本信息以及常见的模型进行了介绍。 借助这些理论模型,你可以探索动作电位的计算性质或其它有趣的现象。队列(spike train)?队列是元的语言。人们往往会将看作是点事,将队列看作是点过程。 我们使用响应函数来描述:?其中一次脉冲定义为:?一般而言,假设队列是由随机过程生成的,这会有助于分析。 为了根据泊松点过程产生,要在一个足够小的时间区间内生成一个随机数 r,这样应该就只会出现 1 个,并且检查 r

76320

阮一入门

作者 | 阮一整理 | AI科技大本营(rgznai100)眼下最热门的技术,绝对是人工智能。人工智能的底层模型是(neural network)。 什么是呢?上似乎缺乏通俗的解释。 如果所有输入都是1,表示各种都成立,输出就是1;如果所有输入都是0,表示都不成立,输出就是0。二、感知器的例子下面来看一个例子。 六、的运作过程一个的搭建,需要满足三个。输入和输出权重(w)和阈值(b)多层感知器的结构也就是说,需要事先画出上面出现的那张图。其中,最困难的部分就是确定权重(w)和阈值(b)。 所以,直到最近这几年才有实用价值,而且一般的 CPU 还不行,要使用专门为机器学习定制的 GPU 来计算。 七、的例子下面通过车牌自动识别的例子,来解释

50360
  • 广告
    关闭

    11.11智惠云集

    2核4G云服务器首年70元,还有多款热门云产品满足您的上云需求

  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    一种用于节能目标检测的全混合

    本文提出了一种全值混合(FSHNN),用于在资源受限平台下的高效鲁棒目标检测。该结构基于卷积SNN,采用越流整合放电元模型。 该模型将无监督值时变塑性(STDP)学习与反向传播(STBP)学习相结合,并利用蒙特卡罗方法对不确定性误差进行估计。与基于DNN的目标探测器相比,FSHNN提供了更好的精度,同时节能150倍。 一种用于节能目标检测的全混合.pdf

    12900

    忆阻元爆发性动态行为的产生与应用(CS ET)

    由两个忆阻器构建的忆阻器元可用于模拟生物元的许多动力学行为。 首先,全面研究了忆阻器元的动态工作及其在突增和爆发之间的转换边界。 然后,分析了突发的基本机制,并证明了在适当的输入电压和输入电阻下每个突发周期内数量的可控性。 最终,随着元信息的携带,每个周期的数将被识别并显示为能够进行模式识别和信息传输。 这些结果显示了在的构建中有效利用敏电阻器的一种有前途的方法。 networks.原文作者:Yeheng Bo, Shuai Li, Peng Zhang, Juan Song, Xinjun Liu原文地址:https:arxiv.orgabs2001.05663 忆阻元爆发性动态行为的产生与应用

    20320

    计算RAM(CRAM)中的推理与学习引擎(CS ET)

    (SNN)是一种受生物启发的计算模型,能够模拟人脑和类脑结构中的计算。主要承诺是非常低的能源消耗。 Sapatnekar, Ulya Karpuzcu原文地址:https:arxiv.orgabs2006.03007 计算RAM(CRAM)中的推理与学习引擎(CS ET).pdf

    22370

    “深度学习不是学习”:英特尔高管与AI大牛LeCun展开互怼

    Loihi用了一种名叫元(spiking neurons)的技术,这类元只有在输入样本后才能被激活。 Davies说:“LeCun反对元,但他却说我们需要解决硬中的稀疏性,元就是干这个的啊。”他说,这太讽刺了。 这份数据显示,Loihi在常规处理器上运行常规性能最佳,特别是在计算速度方面,并且能源效率更高,不过精确度会低一些。 Davies还从LeCun的批评挑出了他认同的一点:元的硬非常充足,提供了很多工具来映射有趣的算法。 比如:美国橡树岭国家实验室、加州理工大学和田纳西大学的学者们,就曾研究过如何在高性能计算设备、形态芯片和量子计算机上运行复杂的深度

    18120

    清华天机AI芯片登Nature封面:全球首款异构融合类脑芯片,实现自行车无人驾驶

    实现理想的路,大致可以分成两:一是计算机科学导向,二是科学导向。而自行车背后的“天机”类脑芯片,便是清华团队将这两原本十分不同的思路,精妙地结合在一起了。 其核心在于脉冲(SNN)和人工(ANN)的融合。 SNN模拟生物元,是最具生物解释性的人工;而ANN是从信息处理角度对人脑进行抽象,CNN、RNN这样的著名都属于ANN。? 通过可重构功能核灵活的建模配置和拓扑连接,编码方式可以在ANN和SNN模式之间转换,从而实现异构。 既支持科学模型,又支持计算机科学模型,同时支持科学发现的众多回路和异构的混合建模。清华施路平团队领衔?

    29160

    The Brain vs Deep Learning(二)

    你可以想象这种化合物的轴突末端和突触在树突,如(密集)输入层到卷积。每个元可以具有少于5个树突或多达几十万。 稍后我们将看到树状树的函数类似于卷积中的卷积层之后最大池的组合。 然而,这些少数团队收集的直接数据足以建立树突作为重要的信息处理事。 由于树突状引入元的计算模型,单个元的复杂性已变得非常类似于具有两个卷积层的卷积。 实际上,显示视觉系统中的树突用于与用于对象识别的卷积中的最大合并是相同的目的:在深度学习中,最大合并用于实现(有限的)旋转,平移和尺度不变性(意味着我们的算法可以检测图像中的对象旋转,移动或缩小放大几个像素的对象 然而,树突中不存在反向传播信号是罕见的事并且代表自身的学习信号。因此,产生树突的树突具有特殊的学习信号,就像max-pooling中的活化单元一样。 此外,这些新的发现表明,反向传播不必是元到元,以便学习复杂的功能; 单个元已实现卷积并且因此具有足够的计算复杂度来对复杂现象建模。

    18820

    40行Python代码,实现卷积特征可视化

    有两种方法可以尝试理解如何识别某种模式。 第 40 层第 265 个滤波器或许是链吧?来,我们输入一张试试:?Yes,看起来猜对了!?不过从上图可以看到,除了最大的外,还有几个较大的次。 我们将下面这幅图输入:?得到这样的特征图: ?好吧,?,在 64 处确实有个,但好像有许多比它更高的。让我们再来看看其中四个特征对应的滤波器生成的模式:? Yes,特征图上 277 处确实有一个强烈的,但是旁边更强烈的是怎么回事??我们快速看下特征图 281 对应的模式图:?第 40 层第 281 个滤波器 也许是纹猫的皮毛? 要理解这点,你需要知道:PyTorch Module 是所有模块的基本类;我们的的每个层都是一个 Module ;每个 Module 都有一个称为 forward 的方法,当给 Module

    85620

    40行Python代码,实现卷积特征可视化

    有两种方法可以尝试理解如何识别某种模式。 第 40 层第 265 个滤波器或许是链吧?来,我们输入一张试试:?Yes,看起来猜对了!?不过从上图可以看到,除了最大的外,还有几个较大的次。 我们将下面这幅图输入:?得到这样的特征图: ?好吧,?,在 64 处确实有个,但好像有许多比它更高的。让我们再来看看其中四个特征对应的滤波器生成的模式:? Yes,特征图上 277 处确实有一个强烈的,但是旁边更强烈的是怎么回事??我们快速看下特征图 281 对应的模式图:?第 40 层第 281 个滤波器 也许是纹猫的皮毛? 要理解这点,你需要知道:PyTorch Module 是所有模块的基本类;我们的的每个层都是一个 Module ;每个 Module 都有一个称为 forward 的方法,当给 Module

    35520

    人工太简陋了,《Science》新作揭露,元树突也隐含计算能力

    目前对于计算机科学家来讲,人工构建,往往基于这样一个概念:元是一个简单的、非智能的开关,的信息处理来源于数万(数万亿)个元之间的连接。 意外与明斯基的不可能本文作者Matthew Larkum 是一位洪堡德的科学家,他的研究团队希望能够从不同的问题角度来研究树突。 当他们用电流来刺激这些树突时,他们看到了意料之外且反复出现的,这些似乎与其他已知的信号完全不一样。它们非常迅速而短暂,就如同动作电位一般,是由钙离子的流动所引起的。 为了搞清楚这种新的可能带来什么影响,研究人员构建了一个能够反映元行为的模型。 该模型发现,输入 X和输入Y,如果只有输入 X 或只有输入Y,树突会出现;而如果两个输入同时出现,就不会有。这相当于异或(或XOR)的非线性计算。这一发现在计算机领域产生了轰动。

    23510

    线性约束学习的元(CSAI)

    使用编码的元以精确的时序编码信息已显示出比速率编码方法更强大的计算能力。但是,大多数现有的用于加标元的监督学习算法都很复杂,并且时间复杂度较差。 此外,我们提供了有关LIF元模型的分类能力(相对于系统的多个参数)的实验结果。

    11830

    -BP

    感知器作为初代,具有简单、计算量小等优点,但只能解决线性问题。 BP在感知器的基础上,增加了隐藏层,通过任意复杂的模式分类能力和优良的多维函数映射能力,解决了异或等感知器不能解决的问题,并且BP也是CNN等复杂等思想根源。 1 基本概念BP是一种通过误差反向传播算法进行误差校正的多层前馈,其最核心的特点就是:信号是前向传播,而误差是反向传播。 2 BP结构BP包含输入层、隐藏层和输出层,其中,隐藏层可有多个,其中,输入层和输出层的节点个数是固定的(分别是输入样本的变量个数和输出标签个数),但隐藏层的节点个数不固定。 以具有单隐藏层的BP为例,其结构如下图:?3 BP原理公式以单隐藏层的BP为例,各阶段原理公式如下: 前向传播。

    24220

    服不服?40行Python代码,实现卷积特征可视化

    特征可视化 学习将输入数据(如图像)转换为越来越有意义但表征越来越复杂的连续层。 你可以将深度看做一个多阶段信息蒸馏操作,其中信息通过连续的滤波器并不断被「提纯」。 第 40 层第 265 个滤波器 或许是链吧?来,我们输入一张试试: Yes,看起来猜对了! 不过从上图可以看到,除了最大的外,还有几个较大的次。 我们将下面这幅图输入: 得到这样的特征图: 好吧,????,在 64 处确实有个,但好像有许多比它更高的。 要理解这点,你需要知道: PyTorch Module 是所有模块的基本类;我们的的每个层都是一个 Module ;每个 Module 都有一个称为 forward 的方法,当给 Module Linux之父手删AWS 工程师提交的补丁,表示这是愚蠢的行为,友:我的快乐又回来了【科普】刷脸背后,卷积的数学原理【三】零基础入门深度学习:卷积基础之初识卷积

    6800

    R-SNN:通过噪声过滤器对动态视觉传感器的进行鲁棒性攻击的分析设计

    (SNN)旨在提供节能的学习能力,当在带有基于事的动态视觉传感器(DVS)的形态芯片上实施时。 我们是第一个对DVS信号(即时空域中的事帧)产生对抗性攻击,并为DVS传感器应用噪声滤波器,以寻求对对抗性攻击的防御。我们的结果表明,噪声过滤器有效地防止了SNNs被愚弄。 R-SNN:通过噪声过滤器对动态视觉传感器的进行鲁棒性攻击的分析和设计方法.pdf

    9820

    全球最大规模形态超级计算机正式开机

    生物元是存在于系统中的基本脑细胞,主要以发射纯电化学能量“”的方式进行交流。形态计算使用包含电子电路的大规模计算机系统来模拟制造这种。 SpiNNaker的独特之处在于:与传统计算机不同,它不通过标准从A点向B点发送大量信息来进行通信。相反地,它模仿了大脑的大规模并行通信架构,同时向数千个不同的目的地发送数十亿短信息。 作为对这种规模的说明,老鼠的大脑由大约1亿个元组成,而人类的大脑比老鼠大1000倍。十亿元是人脑规模的1%。 例如,SpiNNaker已被用于一系列孤立的大脑,以模拟高级实时的处理工作。该包含了一部分大脑皮层的8万个元模型。大脑皮层是接收和处理感觉信息的大脑外层。 它还可以被用作实时模拟器,以帮助机器人专家将大规模设计布置到移动机器人中,使它们能够灵活地以低功率行走、交谈和移动。”

    22550

    CSS2018会:洞见全球安全新趋势 零距离对话全球大咖!

    CSS希望通过从国际安全趋势、产业政策、技术风向、标志性安全事等维度选取出全球最前沿的议题和领域,站在全球视角评估并给出年度的安全风向标。 2018年,伴随着更多全球安全事的发生以及更严格的产业政策、法规的出台,CSS将再度从世界范围内全力搜集最具前瞻性的技术议题,并结合大咖观点针对性提出具有可实施性的解决方案,揭示全球安全发展新风向 本届TSec以“前沿科技探索”为主题,是腾讯安全打造的一个全球前沿、端安全技术的高质量安全信息交流平台,也是中国互联安全领袖会的重要组成部分。 领略国内外安全大咖风采,了解最前沿的安全技术与未来趋势,更多亮点即将在CSS2018会正式揭晓! 目前,第四界中国互联安全领袖会已全面开启售票还有部分限时优惠活动,心动的小伙伴快上活动家抢票。

    41060

    驱动的视觉触觉感知和机器人学习

    这项工作贡献了一个事驱动的视觉-触觉感知系统,包括一个新的生物启发触觉传感器和基于多模态的学习。 我们的形态指触觉传感器,NeuTouch,由于其基于事的性质,可以很好地与taxels的数量相匹配。同样的,我们的视觉-触觉(VT-SNN)与事传感器结合时,可以实现快速感知。 我们在两个机器人任务上评估我们的视觉触觉系统(使用NeuTouch和预言事摄像机):容器分类和旋转滑移检测。相对于标准的深度学习方法,在这两项任务中,我们都观察到了良好的准确性。 我们已使我们的视觉-触觉数据集可自由使用,以鼓励研究多模态事驱动机器人感知,我们相信这是一个有前途的方法,以实现智能节能机器人系统。

    21920

    大脑、元、认知:计算科学

    大脑解剖学与大脑的基本部分,杏仁核(amygdala)是被广泛研究的认知区域,决定你的 EQ -情商指数噢! 杏仁核靠近脑干,接近于大脑的中心且形如其名: 杏仁核的外部连接可以用NeuronalOutput 属性找到:下面是在两层中杏仁核外面连接的可视化:正如简单的一样,我们可以在其他上进行额外的计算。 它们的的物理特征和模式,被称为动作电位,在不同的元类型之间是不同的。 )模型(A.L.Hodgkin和A.F.Huxley,1952)来模拟单个元的传播。 此外,还有生物学上现实的计算模型,涵盖霍奇金(Hodgkin)和赫克斯利(Huxley)的概念,旨在模拟元群体中的(E.M.Izhikevich,2004)。

    35170

    AAAI 2018 | 腾讯AI Lab提出降秩线性动态系统:可处理有噪声计数值短数据

    举几个例子:在群中记录到多个队列(Paninski et al. 2010)、S&P 100 指数上的交易数据(Linderman and Adams 2014)。 但是,泊松假设说明观察结果是均匀离散的,即均值和方差是相等的。 这就限制了 PLDS 在描述计数上的应用,因为通常观察到的计数要么是过离散的,要么就是欠离散的(方差大于或小于平均)(Churchland et al. 2010; She, Jelfs 出色的表现说明我们的方法:(1) 能够自动减少隐含状态空间的冗余维度,从而防止与大量预定义隐含状态过拟合;(2) 相比于基准方法,能显著提升预测有噪声活动的表现;(3) 能稳健且有效地检索来自两个实验数据集的基础复杂系统的固有维度 我们将其用于建模在大脑元上记录到的时间序列数据(计数),而且也可以简单直接地将其用于描述和解读其它计数过程的观察值。?

    37460

    相关产品

    • 云函数

      云函数

      云函数(Serverless Cloud Function,SCF)是腾讯云为企业和开发者们提供的无服务器执行环境,帮助您在无需购买和管理服务器的情况下运行代码。您只需使用平台支持的语言编写核心代码并设置代码运行的条件,即可在腾讯云基础设施上弹性、安全地运行代码。SCF 是实时文件处理和数据处理等场景下理想的计算平台。

    相关资讯

    热门标签

    活动推荐

      运营活动

      活动名称
      广告关闭

      扫码关注云+社区

      领取腾讯云代金券