rss 推薦閱讀 wap

中山網_新聞焦點_聚焦世界!

熱門關鍵詞:  云南  as  xxx  自駕游   riting ablet
首頁 新聞資訊 城市聚焦 理財投資 娛樂頭條 體育運動 購物消費 旅游休閑 科技創新 商業營銷 微商創業

為了識別圖片中的貓深度學習模型可能需要先查看數百萬張照片

發布時間:2019-11-14 16:21:34 已有: 人閱讀

  神經網絡為研究人員提供了一個強大的工具,可以用來展望未來并做出預測。但是一個缺點是他們對處理所有這些信息的數據和計算能力(“計算”)的無限需求。在麻省理工學院,對計算的需求估計是研究所提供的需求的五倍。為了緩解這種緊縮,行業介入了。IBM最近捐贈的一臺價值1160萬美元的超級計算機已于今年秋天上線,并且在過去的一年中,IBM和Google都向MIT Quest for Intelligence提供了云信用額度,以便在整個校園內分發。下面重點介紹了IBM和Google云捐贈促成的四個項目。

  為了識別圖片中的貓,深度學習模型可能需要先查看數百萬張照片,然后人工神經元才能“學習”以識別貓。正如試圖衡量人工智能(AI)碳足跡的新研究突出顯示的那樣,該過程需要大量的計算并且會帶來巨大的環境成本。

  但是可能有一種更有效的方法。麻省理工學院的最新研究表明,僅需模型的一小部分即可。麻省理工學院電氣工程與計算機科學系(EECS)的研究生喬納森弗蘭克(Jonathan Frankle)說:“培訓一個大型網絡時,只有一個小型網絡可以完成所有工作。”

  在研究的共同作者和EECS教授邁克爾卡賓(Michael Carbin)的幫助下,弗蘭克勒(Frankle)估計,如果一開始就找到正確的子網,那么神經網絡的連接數將減少十分之一。通常,在訓練過程之后會修剪神經網絡,然后刪除不相關的連接。弗蘭克勒想知道,為什么不訓練這種小型模型呢?

  Frankle在他的筆記本電腦上進行了兩個神經元網絡的實驗,結果令人鼓舞,并轉向MNIST和CIFAR-10等較大的圖像數據集,并盡可能借用了GPU。最后,通過IBM Cloud,他確保了足夠的計算能力來訓練真實的ResNet模型。他說:“我以前所做的一切都是玩具實驗。” “我終于能夠運行許多不同的設置,以確保可以在我們的論文中提出主張。”

  弗蘭克勒(Frankle)在Facebook辦公室講話,他在夏季工作,探索他的彩票假說論文提出的想法,該論文是在今年的國際學習代表大會上獲得最佳論文獎的兩個人之一。弗蘭克勒說,這項工作的潛在應用超越了圖像分類,還包括強化學習和自然語言處理模型。Facebook AI Research,普林斯頓大學和Uber的研究人員已經發表了后續研究。

  “我對神經網絡的熱愛是我們甚至還沒有奠定基礎,”弗蘭克爾說。他最近從研究密碼學和技術政策轉向了人工智能。“我們真的不了解它是如何學習的,它在哪里好,在哪里失敗。這是距牛頓1000年的物理學。”

  像Facebook和Twitter這樣的網絡平臺使查找優質新聞變得前所未有的容易。但是,太多時候,真實新聞被在線發布的誤導性信息或完全虛假信息淹沒。最近關于美國眾議院議長南希佩洛西(Nancy Pelosi)被篡改以使自己的聲音醉酒的視頻的困惑,只是對錯誤信息和虛假新聞構成的最新例證。

  麻省理工學院(MIT)的高級和EECS專業學生Moin Nadeem說:“現在,您幾乎可以在互聯網上發布任何內容,有些人會相信。”

  如果技術有助于解決問題,那么它也可以幫助解決問題。這就是Nadeem選擇一個superUROP項目的原因,該項目的重點是建立一個自動系統來對抗虛假和誤導性新聞。Nadeem在MIT計算機科學與人工智能實驗室的研究員James Glass的實驗室工作,并受Mitra Mohtarami的監督。Nadeem通過搜索Wikipedia和被記者定為高質量,混合質量或低質量。

  為了驗證索賠,該模型測量了來源之間的一致性,較高的一致性得分表明該索賠可能是正確的。對于類似“ ISIS滲透到美國”這樣的說法,其較高的異議分數是假新聞的有力指標。他說,這種方法的一個缺點是該模型不能識別獨立的事實,而不能描述大多數人認為的真實情況。

  Nadeem在Google Cloud Platform的幫助下進行了實驗,并建立了一個交互式網站,使用戶可以立即評估索賠的準確性。他和他的合著者在6月的北美計算語言學協會(NAACL)會議上介紹了他們的研究結果,并將繼續擴大研究范圍。

  納迪姆(Nadeem)在有關他的工作的視頻中說:“以前的說法是眼見為實。” “但是我們正在進入一個不正確的世界。如果人們不相信自己的眼睛和耳朵,那將成為我們可以信任什么的問題?”

  從海面上升到干旱加劇,氣候變化的影響已經開始顯現。從現在開始的幾十年里,世界將變得更溫暖,更干燥,更不可預測。麻省理工學院航空與航天系(AeroAstro)的研究生布蘭登萊什金斯基(Brandon Leshchinskiy)正在試驗生成對抗網絡(GAN),以想象那時的地球會是什么樣。

  GAN通過使一個神經網絡與另一個神經網絡相互抵觸來產生超逼真的圖像。第一個網絡學習一組圖像的底層結構并嘗試重現它們,而第二個網絡確定哪些圖像看起來不可信,并告訴第一個網絡再試一次。

  受使用GAN來從街景圖像中可視化海平面上升投影的研究人員的啟發,Leshchinskiy希望了解衛星圖像是否可以同樣個性化氣候投影。Leshchinskiy目前正與他的顧問AeroAstro教授Dava Newman一起,使用免費的IBM Cloud積分來訓練美國東部海岸線的圖像上具有相應海拔高度的GAN。目的是可視化2050年的海平面上升預測將如何重繪海岸線。如果該項目可行,Leshinskiy希望使用其他NASA數據集來想象未來的海洋酸化和浮游植物豐度的變化。

  他說:“我們已經超過了緩解的重點。” “將世界從現在起的三十年想象成什么樣,可以幫助我們適應氣候變化。”

  在場上或球場上的一些動作足以使計算機視覺模型識別單個運動員。這是由MIT Quest for Intelligence研究人員Katherine Gallagher領導的團隊進行的初步研究得出的。

  該團隊對網球比賽,足球和籃球比賽的錄像中的計算機視覺模型進行了訓練,發現該模型可以從關鍵點的幾幀中識別出單個運動員,從而提供骨骼的大致輪廓。

  該團隊使用Google Cloud API處理視頻數據,并將其模型的性能與在Google Cloud的AI平臺上訓練的模型進行了比較。她說:“這種姿勢信息是如此獨特,以至于我們的模型可以準確地識別出運動員,其準確性幾乎與提供更多信息(例如頭發的顏色和衣服)的模型一樣。”

  他們的結果與體育分析系統中的自動運動員識別有關,并且它們可以為推斷運動員疲勞以預測何時應更換運動員的進一步研究提供基礎。自動姿勢檢測還可以通過允許運動員隔離與高爾夫球手的專業擊球或網球運動員的獲勝揮桿相關的精確動作來幫助運動員改進技術。

首頁 | 新聞資訊 | 城市聚焦 | 理財投資 | 娛樂頭條 | 體育運動 | 購物消費 | 旅游休閑 | 科技創新 | 商業營銷 |免責聲明

Copyright2008-2020 中山網 www.rpijxh.tw 版權所有 業務QQ:121390454 Power by DedeCms 京ICP備13004639號

電腦版 | wap

北京pk10怎么稳赚