名片识别原理4月，深圳市鲲云人工智能应用创新研究院(10)

慧眼图像文字识别软件能够识别图像与图像中的文字，例如：名片识别、文档识别、识别、车牌识别等功能。

在加盟百度之前，他已经在google工作了几年，在xlab团队开发无人驾驶汽车和谷歌眼镜等项目，并与其他google工程师合作建立了全球最大的人工神经网络，名为googlebrain（baidubrain就是模仿它），对于普通数据从业者最熟悉的莫过于斯坦福大学机器学习公开课（该课是多少机器学习从业者入门的课程，其中我也是）以及使用利用团队所开发的人工神经网络通过观看一周youtube视频，自主学习与自动识别哪些是关于猫的视频。

据记者了解，teslap100和teslap4是英伟达去年对外推出的两款pascal架构gpu，前者主要用于执行深度学习神经网络任务，后者主要用于负责图像、文字和语音识别。

据记者了解，tesla p100和tesla p4是英伟达去年对外推出的两款pascal架构gpu，前者主要用于执行深度学习神经网络任务，后者主要用于负责图像、文字和语音识别。

03

深度增强学习：交互型问题解决之道

简述：深度增强学习是一种通过观察、行动和奖励来与环境互动，从而进行学习的神经网络算法。它已被用于游戏攻略等，如雅达利 (Atari) 和围棋，包括击败人类冠军的著名的“阿尔法狗”(AlphaGo) 等。

意义：获得深度增强学习能力是人工智能应用商业化的重要指标项之一，与其他技术相比，它只需要更少的数据来培训其模型。更强大的是，它可以通过模拟获得训练，完全不需要标签化数据。鉴于这些优势，预计未来一年将诞生更多将深度增强学习和基于智能体 (agent) 模拟相结合的商业应用。

04

生成对抗网络：网络配对促进训练，减轻处理负担

简述：生成对抗网络是一种由两个互相竞争的神经网络组成的无监督的深度学习系统——“生成网络” 产生看上去很像真实数据集的假数据，“判断网络”吸收真实和合成的数据。随着时间的推移，每个网络都会得到改进，从而使两个网络都能够学习到给定数据集的整个分布情况。

意义：生成对抗网络进一步拓展了深度学习，使其能够处理更大范围的无监督任务，这些任务的标签化数据要么不存在，要么过于昂贵而很难获得。生成对抗网络也减少了深度神经网络所需的负载，因为负载由两个网络共同承担。预期可以看到更多的商业应用，例如使用生成对抗网络技术来做网络探测等。

05

精简和增强数据学习：解决数据标签化挑战

简述：机器学习（尤其是深度学习）遇到的最大挑战是需要大量使用标签化数据来训练系统。目前有两种广泛使用的技巧可以帮助解决这个问题：（1）合成新的数据;（2）将一个任务或领域的训练模型迁移到另一个，例如“迁移学习”的技巧（把从一个任务/领域学到的经验迁移到另一个任务/领域），或“一次学习”的技巧（极端化迁移学习，仅仅通过一个例子或没有相关例子的学习），由此使它们成为“精简数据”学习技巧。同样的，通过模拟或内插合成新的数据有助于获取更多的数据，从而扩大现有数据来改善学习。

意义：使用这些技巧，我们可以解决更多的问题，尤其是在历史数据较少的情况下。预期可以看到精简和增强数据的更多变种，以及适用于更广泛商业问题的不同类型的学习技巧。

本文来自电脑杂谈，转载请注明本文网址：
https://www.pc-fly.com/a/ruanjian/article-91231-10.html