檢測(cè)到您已登錄華為云國(guó)際站賬號(hào)，為了您更好的體驗(yàn)，建議您訪問(wèn)國(guó)際站服務(wù)網(wǎng)站 http://m.cqfng.cn/intl/zh-cn
不再顯示此消息
中國(guó)站
中國(guó)站
International
Europe
檢測(cè)到您已登錄華為云國(guó)際站賬號(hào)，為了您更好的體驗(yàn)，建議您訪問(wèn)國(guó)際站服務(wù)網(wǎng)站 http://m.cqfng.cn/intl/zh-cn
不再顯示此消息
輸、數(shù)據(jù)、應(yīng)用，層層優(yōu)化，大幅提升訪問(wèn)速度，給每個(gè)接入用戶不同以往的暢快體驗(yàn)。三、應(yīng)用場(chǎng)景場(chǎng)景一：統(tǒng)一業(yè)務(wù)安全接入平臺(tái)通過(guò)構(gòu)建一套平臺(tái)，就可以統(tǒng)一管理移動(dòng)用戶接入的身份認(rèn)證、訪問(wèn)權(quán)限，并提供智能的操作體驗(yàn)，實(shí)現(xiàn)用戶在任何時(shí)間、任何地點(diǎn)、使用任何終端，安全、快速的接入業(yè)務(wù)系統(tǒng)。場(chǎng)景
7116229.png) 觀察箭頭的方向，代表了處理的流程。通過(guò)線性回歸模型和生物神經(jīng)元的類比，可以將線性模型稱作一個(gè)只包含一個(gè)神經(jīng)元的神經(jīng)網(wǎng)絡(luò)。 同樣的，logistic模型也可以用來(lái)進(jìn)行類比，下圖代表的就是預(yù)估y等于1的概率的處理過(guò)程： 訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型的。因?yàn)橹虚g加了很多隱藏層，隱藏層也是需要將損失最小化的呀，所以需要引入這兩個(gè)算法。神經(jīng)網(wǎng)絡(luò)的目的是建立輸入層與輸出層之間的關(guān)系，進(jìn)而利用建立的關(guān)系得到預(yù)測(cè)值。通過(guò)增加隱藏層，神經(jīng)網(wǎng)絡(luò)可以找到輸入層與輸出層之間較復(fù)雜的關(guān)系。深度學(xué)習(xí)是擁有多個(gè)隱藏
深度學(xué)習(xí)計(jì)算服務(wù)平臺(tái)是中科弘云面向有定制化AI需求的行業(yè)用戶，推出的AI開(kāi)發(fā)平臺(tái)，提供從樣本標(biāo)注、模型訓(xùn)練、模型部署的一站式AI開(kāi)發(fā)能力，幫助用戶快速訓(xùn)練和部署模型，管理全周期AI工作流。平臺(tái)為開(kāi)發(fā)者設(shè)計(jì)了眾多可幫助降低開(kāi)發(fā)成本的開(kāi)發(fā)工具與框架，例如AI數(shù)據(jù)集、AI模型與算力等。
圖神經(jīng)網(wǎng)絡(luò)(GNNs)最近變得越來(lái)越受歡迎，因?yàn)樗鼈兡軌?span id="s9y79v4" class='cur'>學(xué)習(xí)復(fù)雜的關(guān)系系統(tǒng)或相互作用，這些關(guān)系或作用來(lái)源于生物學(xué)和粒子物理學(xué)到社會(huì)網(wǎng)絡(luò)和推薦系統(tǒng)等廣泛?jiǎn)栴}。盡管在圖上進(jìn)行深度學(xué)習(xí)的不同模型太多了，但迄今為止，很少有人提出方法來(lái)處理呈現(xiàn)某種動(dòng)態(tài)性質(zhì)的圖(例如，隨著時(shí)間的推移而進(jìn)化的
結(jié)合使用，可以實(shí)現(xiàn)高性能的目標(biāo)檢測(cè)和圖像分類任務(wù)。此外，現(xiàn)代深度學(xué)習(xí)模型還經(jīng)常使用集成學(xué)習(xí)、遷移學(xué)習(xí)等技術(shù)，以進(jìn)一步提高模型的性能和泛化能力。這些技術(shù)可以通過(guò)將多個(gè)基礎(chǔ)模型組合在一起，形成一個(gè)更加復(fù)雜的模型結(jié)構(gòu)，以適應(yīng)不同任務(wù)和場(chǎng)景的需求。四、典型應(yīng)用2006年深度學(xué)習(xí)在學(xué)術(shù)界受
這個(gè)在工作生活中應(yīng)用的實(shí)在是太廣泛了。比如老板問(wèn)你這件事情明天能不能搞完？一般情況下，你的回答可能就是一個(gè)隨機(jī)變量。 隨機(jī)變量可以分為兩種類型：連續(xù)型和離散型。 `隨機(jī)變量的分布`用來(lái)描述隨機(jī)變量出現(xiàn)某種結(jié)果的可能性。可以用一些分布函數(shù)來(lái)表示。 常見(jiàn)的概率分布有幾種。這里只看最常見(jiàn)的一種概率分布，就是`正態(tài)分布`也叫高斯分布。
早先我們討論過(guò)和訓(xùn)練數(shù)據(jù)相同分布的樣本組成的測(cè)試集可以用來(lái)估計(jì)學(xué)習(xí)過(guò)程完成之后的學(xué)習(xí)器的泛化誤差。其重點(diǎn)在于測(cè)試樣本不能以任何形式參與到模型的選擇，包括設(shè)定超參數(shù)?；谶@個(gè)原因，測(cè)試集中的樣本不能用于驗(yàn)證集。因此，我們總是從訓(xùn)練數(shù)據(jù)中構(gòu)建驗(yàn)證集。特別地，我們將訓(xùn)練數(shù)據(jù)分成兩個(gè)不相交的子集。其中一個(gè)用于學(xué)習(xí)參數(shù)。另一個(gè)
深。給定模型進(jìn)行數(shù)據(jù)輸入，可以將描述模型如何得到輸出的流程圖中的最長(zhǎng)路徑的長(zhǎng)度記為模型的深度。另一方面，在深度概率模型中，也把描述概念之間如何相互關(guān)聯(lián)的圖的深度而非計(jì)算圖的深度記為一種模型的深度。值得注意的是，后者用來(lái)計(jì)算表示的計(jì)算圖可能比概念圖要深得多。鑒于這兩種觀點(diǎn)的共存，一
些偏導(dǎo)數(shù)等于零，解方程得到b和w的估計(jì)值。但是這個(gè)方法只適合少數(shù)結(jié)構(gòu)比較簡(jiǎn)單的模型（比如線性回歸模型），不能求解深度學(xué)習(xí)這類復(fù)雜模型的參數(shù)。 所以下面介紹的是深度學(xué)習(xí)中常用的優(yōu)化算法：`梯度下降法`。其中有三個(gè)不同的變體：隨機(jī)梯度下降法、全數(shù)據(jù)梯度下降法、和批量隨機(jī)梯度下降法。
不是模型真實(shí)誤差的好的估計(jì)值。這是因?yàn)槿绻荚囶}目是我們做過(guò)的作業(yè)題，那么我們更容易得高分。所以我們要有一些測(cè)試數(shù)據(jù)是不要參加模型訓(xùn)練的，需要擱置在一旁，直到模型完全建立好，再用來(lái)計(jì)算模型的測(cè)試誤差。模型的預(yù)測(cè)效果較差，經(jīng)常是由于兩類問(wèn)題導(dǎo)致的。那就是 欠擬合，underfitting 和 過(guò)擬合 overfitting欠擬合就是學(xué)生根本沒(méi)有學(xué)好
富，越來(lái)越多的人開(kāi)始關(guān)注這個(gè)“嶄新”的研究領(lǐng)域：深度學(xué)習(xí)。深度學(xué)習(xí)以神經(jīng)網(wǎng)絡(luò)為主要模型，一開(kāi)始用來(lái)解決機(jī)器學(xué)習(xí)中的表示學(xué)習(xí)問(wèn)題。但是由于其強(qiáng)大的能力，深度學(xué)習(xí)越來(lái)越多地用來(lái)解決一些通用人工智能問(wèn)題，比如推理、決策等。目前，深度學(xué)習(xí)技術(shù)在學(xué)術(shù)界和工業(yè)界取得了廣泛的成功，受到高度重視
大多數(shù)機(jī)器學(xué)習(xí)算法都有設(shè)置超參數(shù)，可以用來(lái)控制算法行為。超參數(shù)的值不是通過(guò)學(xué)習(xí)算法本身學(xué)習(xí)出來(lái)的（盡管我們可以設(shè)計(jì)一個(gè)嵌套的學(xué)習(xí)過(guò)程，一個(gè)學(xué)習(xí)算法為另一個(gè)學(xué)習(xí)算法學(xué)出最優(yōu)超參數(shù)）。所示的多項(xiàng)式回歸實(shí)例中，有一個(gè)超參數(shù)：多項(xiàng)式的次數(shù)，作為容量超參數(shù)?？刂茩?quán)重衰減程度的 λ 是另一個(gè)
這種學(xué)習(xí)范式試圖去跨越監(jiān)督學(xué)習(xí)與無(wú)監(jiān)督學(xué)習(xí)邊界。由于標(biāo)簽數(shù)據(jù)的匱乏和收集有標(biāo)注數(shù)據(jù)集的高昂成本，它經(jīng)常被用于商業(yè)環(huán)境中。從本質(zhì)上講，混合學(xué)習(xí)是這個(gè)問(wèn)題的答案。我們?nèi)绾尾拍苁褂帽O(jiān)督學(xué)習(xí)方法來(lái)解決或者鏈接無(wú)監(jiān)督學(xué)習(xí)問(wèn)題？例如這樣一個(gè)例子，半監(jiān)督學(xué)習(xí)在機(jī)器學(xué)習(xí)領(lǐng)域正日益流行，因?yàn)樗?/p>
有沒(méi)有HiLens的教程
加智能。借助深度學(xué)習(xí)，我們可以制造出具有自動(dòng)駕駛能力的汽車和能夠理解人類語(yǔ)音的電話。由于深度學(xué)習(xí)的出現(xiàn)，機(jī)器翻譯、人臉識(shí)別、預(yù)測(cè)分析、機(jī)器作曲以及無(wú)數(shù)的人工智能任務(wù)都成為可能，或相比以往有了顯著改進(jìn)。雖然深度學(xué)習(xí)背后的數(shù)學(xué)概念幾十年前便提出，但致力于創(chuàng)建和訓(xùn)練這些深度模型的編程庫(kù)
全面地講述深度學(xué)習(xí)的歷史超出了本書(shū)的范圍。然而，一些基本的背景對(duì)理解深度學(xué)習(xí)是有用的，深度學(xué)習(xí)經(jīng)歷了三次發(fā)展浪潮：20世紀(jì)40年代到60年代深度學(xué)習(xí)的雛形出現(xiàn)在控制論（cybernetics）中，20世紀(jì)80年代到90年代深度學(xué)習(xí)表現(xiàn)為聯(lián)結(jié)主義（connectionism），直到
這種學(xué)習(xí)范式試圖去跨越監(jiān)督學(xué)習(xí)與無(wú)監(jiān)督學(xué)習(xí)邊界。由于標(biāo)簽數(shù)據(jù)的匱乏和收集有標(biāo)注數(shù)據(jù)集的高昂成本，它經(jīng)常被用于商業(yè)環(huán)境中。從本質(zhì)上講，混合學(xué)習(xí)是這個(gè)問(wèn)題的答案。我們?nèi)绾尾拍苁褂帽O(jiān)督學(xué)習(xí)方法來(lái)解決或者鏈接無(wú)監(jiān)督學(xué)習(xí)問(wèn)題？例如這樣一個(gè)例子，半監(jiān)督學(xué)習(xí)在機(jī)器學(xué)習(xí)領(lǐng)域正日益流行，因
作為分類問(wèn)題來(lái)求解。我們將掩模處理后的序列輸入給一個(gè)神經(jīng)編碼器，其輸出向量進(jìn)一步被進(jìn)送入一個(gè) softmax 分類器來(lái)預(yù)測(cè)被屏蔽的詞例。或者，我們可以將編碼-解碼器架構(gòu)用于 MLM，此時(shí)我們將掩模處理后的序列送入編碼器，解碼器以自回歸的方式按照順序產(chǎn)生掩模處理后的詞例。我們將這種 MLM
“connection timeout”，它就能報(bào)警。 安全入侵檢測(cè) 正常登錄日志和暴力破解登錄日志的模式完全不一樣，深度學(xué)習(xí)可以幫我們發(fā)現(xiàn)異常頻率和異常來(lái)源。 系統(tǒng)崩潰預(yù)測(cè) 通過(guò)長(zhǎng)期學(xué)習(xí)，模型能捕捉“異常前兆”日志，比如 JVM 的 GC 打印頻率異常、CPU load 的異常波動(dòng)，提前發(fā)出預(yù)警。
