随着谷歌、微软、脸书等巨头的投资，深度学习正在超越机器学习，人工智能正在变得凶猛。那么，当今人工智能最热门的技术趋势是什么？以下文章与边肖整理和分享的人工智能优势论文相关。欢迎阅读！
人工智能的优势论文1
人工智能十大热门技术趋势
随着谷歌、微软、脸书等巨头的投资，深度学习正在超越机器学习，人工智能正在变得凶猛。那么，当今人工智能最热门的技术趋势是什么？
1.神经网络的结构变得越来越复杂。感知、翻译等大多数神经网络的架构越来越复杂，远超以前简单的前馈神经网络或卷积神经网络(CNN)。应该注意的是，神经网络正与不同的技术(如LSTMs、自定义目标函数等)混合使用。).
神经网络是大多数深度学习项目的基础。深度学习是基于人脑的结构。多层相互连接的人工模拟神经元模仿大脑的行为，处理视觉和语言等复杂问题。这些人工神经网络可以收集信息并做出反应。他们可以解释事物的形状和声音，他们可以自己学习和工作。
2.长期和短期记忆网络。当你读这篇文章的时候，你是在理解前面单词的基础上理解每一个单词的。你的思路是连续的，不会丢弃已知信息，从头开始思考。传统的神经网络做不到这一点，而递归神经网络可以解决这个问题。
RNN(循环神经网络)有一个环状结构，可以保存信息。在过去的几年里，RNN在语音识别和翻译方面取得了令人难以置信的成功，而成功的关键在于一个特殊的RNN——长期和短期记忆网络。
3.“注意力模型”。“注意力”是指神经网络在执行任务时知道关注哪里。我们可以让神经网络从更大的信息集中选择信息作为每一步的输入。例如，当神经网络为图片生成标题时，它可以选择图像的关键部分作为输入。
4.神经图灵机还是有意思的，但是不能胜任实际工作。当你翻译一个句子时，你不是逐字逐句地翻译，而是从句子的整体结构出发。机器很难做到这一点，这个挑战被称为“强耦合输出全局估计”。
图灵机是研究人员试图在硅片中复制人脑的短期记忆。它的背后是一种特殊类型的神经网络，它可以适应与外部存储器一起工作，这使得神经网络存储记忆，然后检索记忆并执行一些逻辑任务。
5.深度学习让计算机视觉和自然语言处理不再是孤岛。卷积神经网络最早出现在计算机视觉中，但现在很多自然语言处理(NLP)系统也在使用。LSTMs和递归神经网络深度学习最早出现在NLP中，现在也包含在计算机视觉神经网络中。
另外，计算机视觉和NLP的交叉仍然有无限的前景。
6.象征性的区分变得越来越重要。随着神经网络体系结构及其目标函数的日益复杂，人工推导“反向传播”的梯度变得更加困难和容易出错。最新的工具包，如谷歌的TensorFlow，可以重载符号微分公式，自动计算正确的微分，以确保误差梯度可以在训练过程中传播回来。
7.神经网络模型压缩的惊人结果。许多团队通过不同的方法，包括二值化、固定浮点数、迭代剪枝和微调步骤，大大减少了训练一个好模型所需的材料量。
这些技术具有广阔的潜在应用前景，可能适合在移动设备上训练复杂模型。例如，可以无延迟地获得语音识别结果。此外，如果操作所需的空间和时间大大减少，我们可以以非常高的帧率(如30 FPS)查询一个模型，这样就可以在移动设备上使用复杂的神经网络模型，近实时地完成计算机视觉任务。
8.深度学习和强化学习不断相遇。“端到端”机器人领域取得了令人兴奋的进展，现在机器人可以一起使用深度和强化学习，从而直接将原始的感官数据转化为实际的行动驱动。我们正在超越简单的“分类”工作，并试图将“计划”和“行动”纳入等式。
9.批量标准化。批量标准化现在已经被认为是评估神经网络工具包的标准的一部分。
10.神经网络研究和优化齐头并进。创建新的神经网络方法需要研究人员和能够快速将其付诸实践的方法。谷歌的TensorFlow是少数几个可以做到这一点的库：使用Python或C等主流编程语言，研究人员可以快速创建新的网络拓扑图，然后在单台或多台设备上进行测试。
下一页，分享更好的人工智能的优势论文。
