FPGA加速深度学习综述

近年来,由于互联网的高速发展和大数据时代的来临,人工智能随之大热,而推动人工智能迅猛发展的正是深度学习的崛起.大数据时代需要迫切解决的问题是如何将极为复杂繁多的数据进行有效的分析使用,进而充分挖掘利用数据的价值并造福人类.深度学习作为一种实现机器学习的技术,正是解决这一问题的重要法宝,它在处理数据过程中发挥着重要作用并且改变了传统的机器学习方法,已被广泛应用于语音识别、图像识别和自然语言处理等研究领域.如何有效加速深度学习的计算能力一直是科研研究的重点.FPGA凭借其强大的并行计算能力和低功耗等优势成为GPU在加速深度学习领域的有力竞争者.从深度学习的几种典型模型出发,在FPGA加速技术现有特点的基础上从针对神经网络模型的加速器、针对具体问题的加速器、针对优化策略的加速器和针对硬件模板的加速器四方面概括总结了FPGA加速深度学习的研究现状,然后对比了不同加速技术和模型的性能,最后对未来可能发展的方向进行了展望.     

关于大数据技术在人工智能中应用研究

随着互联网技术和移动互联网的快速发展，人们进入了一个信息爆炸的时代，产生和积累了大量数据。这些数据蕴含着许多有价值的信息，如果能够正确地利用这些数据，就能够带来更多的商业机会和社会价值。对此，文章重点探讨大数据技术在人工智能中的应用，包括数据采集和处理技术、机器学习和深度学习算法、数据可视化和数据探索工具等方面，并结合实际应用案例，展示大数据技术在人工智能中的实际应用效果，以期为相关领域的研究者和从业者提供参考和启示。     

深度学习的昨天、今天和明天

机器学习是人工智能领域的一个重要学科.自从20世纪80年代以来,机器学习在算法、理论和应用等方面都获得巨大成功.2006年以来,机器学习领域中一个叫“深度学习”的课题开始受到学术界广泛关注,到今天已经成为互联网大数据和人工智能的一个热潮.深度学习通过建立类似于人脑的分层模型结构,对输入数据逐级提取从底层到高层的特征,从而能很好地建立从底层信号到高层语义的映射关系.近年来,谷歌、微软、IBM、百度等拥有大数据的高科技公司相继投入大量资源进行深度学习技术研发,在语音、图像、自然语言、在线广告等领域取得显著进展.从对实际应用的贡献来说,深度学习可能是机器学习领域最近这十年来最成功的研究方向.将对深度学习发展的过去和现在做一个全景式的介绍,并讨论深度学习所面临的挑战,以及将来的可能方向.     

关于深度学习的综述与讨论

机器学习是通过计算模型和算法从数据中学习规律的一门学问,在各种需要从复杂数据中挖掘规律的领域中有很多应用,已成为当今广义的人工智能领域最核心的技术之一。近年来,多种深度神经网络在大量机器学习问题上取得了令人瞩目的成果,形成了机器学习领域最亮眼的一个新分支——深度学习,也掀起了机器学习理论、方法和应用研究的一个新高潮。对深度学习代表性方法的核心原理和典型优化算法进行了综述,回顾与讨论了深度学习与以往机器学习方法之间的联系与区别,并对深度学习中一些需要进一步研究的问题进行了初步讨论。     

“人工智能+”背景下的数据安全与隐私保护探析

随着大数据和云计算的技术的深入应用，人工智能时代的机器学习和深度学习更需要日益增长的数据，因此数据安全与隐私保护变得更加迫切。本文介绍人工智能的定义以及特征，探究数据安全和隐私保护现状，分析数据安全和隐私保护面临的诸多问题，并提出在人工智能时代对数据安全和隐私保护的措施。     

深度学习认知计算综述

随着大数据和智能时代的到来,机器学习的研究重心已开始从感知领域转移到认知计算（Cognitive computing,CC）领域,如何提升对大规模数据的认知能力已成为智能科学与技术的一大研究热点,最近的深度学习有望开启大数据认知计算领域的研究新热潮.本文总结了近年来大数据环境下基于深度学习的认知计算研究进展,分别从深度学习数据表示、认知模型、深度学习并行计算及其应用等方面进行了前沿概况、比较和分析,对面向大数据的深度学习认知计算的挑战和发展趋势进行了总结、思考与展望.     

大数据智能:从数据拟合最优解到博弈对抗均衡解

数据驱动的机器学习（特别是深度学习）在自然语言处理、计算机视觉分析和语音识别等领域取得了巨大进展,是人工智能研究的热点。但是传统机器学习是通过各种优化算法拟合训练数据集上的最优模型,即在模型上的平均损失最小,而在现实生活的很多问题（如商业竞拍、资源分配等）中,人工智能算法学习的目标应该是是均衡解,即在动态情况下也有较好效果。这就需要将博弈的思想应用于大数据智能。通过蒙特卡洛树搜索和强化学习等方法,可以将博弈与人工智能相结合,寻求博弈对抗模型的均衡解。从数据拟合的最优解到博弈对抗的均衡解能让大数据智能有更广阔的应用空间。     

数据驱动与知识引导相互结合的智能计算

在“数据是燃料、人工智能是引擎”的数据驱动机器学习时代,人工智能正在经历“大数据、小任务;小数据、大任务”的涅槃,如何从娴熟于“炼金术”的调参师向笃定于“厚积薄发”推理机迈进,是面临的巨大挑战。机器学习(machine learning)这一单词首次出现时被定义为“不需要确定性编程就可以赋予机器某项技能的研究领域”,其目标是构造一种学习机器(learning machine),使之像人一样具有“learning to learn”的能力。人类学习离不开数据、知识以及与环境交互等,本文探讨数据驱动与知识引导相互结合的智能计算这一问题,希望这一模式将推动更通用(more general)计算范式跃变。     

人工智能技术在五年制高职数控实训教学中的应用

人工智能是一门研究利用计算机模拟特定思维过程和智能行为的学科,涵盖了数据挖掘和深度学习两种数学方法。在具有充分数据源的地方,人工智能可以展现出非凡应用。目前,一些信息化技术走在前列的高校数控教学,已基本实现了基于信息化的教学过程管理,已有大量的数据沉淀,为以数据和计算为基础的人工智能奠定了数据基础。随着人工智能+智能制造模式的出现,人工智能技术和自动化技术在中高职数控教学领域的需求日益明显。笔者围绕传统高校数控领域教学的缺陷与不足,在现有信息化的基础上,应用机器学习、数据挖掘等手段实现人工智能,以提升高校数控专业教学质量。     

人工智能环境下绍兴纺织服装产业创新能力提升研究

随着机器学习、深度学习、知识图谱等技术的持续突破,人工智能终于度过了60年漫长的蛰伏期,人工智能在越来越多领域突破了人类创新的极限,从创新链中技术辅助工具地位逐步走向了创新系统的核心,人工智能引领新一轮社会发展和技术创新的时代已经到来。为了适应时代的发展,沿着"八八战略"指引的路子,结合人工智能实现产品创新、人机协同创新和服务创新,为绍兴锻造出一张全新的"人工智能+纺织服装产业"金名片。