訓(xùn)練神經(jīng)網(wǎng)絡(luò)來解決算術(shù)、代數(shù)和微積分中的基本問題
本周，來自谷歌的AI研究人員發(fā)表了一項(xiàng)研究，他們?cè)噲D訓(xùn)練神經(jīng)網(wǎng)絡(luò)來解決算術(shù)、代數(shù)和微積分中的基本問題。 一個(gè)高中生通常會(huì)遇到的問題。
但神經(jīng)網(wǎng)絡(luò)運(yùn)行得不太好。 除了錯(cuò)誤地猜測(cè)6作為上述問題的答案外，神經(jīng)網(wǎng)絡(luò)在標(biāo)準(zhǔn)測(cè)試中只得到了40個(gè)問題中的14個(gè)。
研究人員指出，這相當(dāng)于英國學(xué)校系統(tǒng)中16歲學(xué)生的E級(jí)成績(jī)。
基本上，在這一點(diǎn)上，AI正在經(jīng)歷一段艱苦的時(shí)間，真正學(xué)習(xí)任何基本的數(shù)學(xué)。
這篇題為“分析神經(jīng)模型的數(shù)學(xué)推理能力”的論文被創(chuàng)建為一個(gè)基準(zhǔn)測(cè)試集，其他人可以在此基礎(chǔ)上構(gòu)建，以便開發(fā)用于數(shù)學(xué)學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，類似于Image Net是如何創(chuàng)建作為圖像識(shí)別基準(zhǔn)測(cè)試的。
這篇論文由大衛(wèi)·薩克斯頓、愛德華·格雷芬斯特特、費(fèi)利克斯·希爾和普什梅特·科利撰寫，張貼在ARXiv預(yù)印服務(wù)器上。 （另見審查人員關(guān)于開放審查的評(píng)論）
作者引用紐約大學(xué)神經(jīng)網(wǎng)絡(luò)評(píng)論家加里·馬庫斯（Gary Marcus）的話，提到了著名的神經(jīng)網(wǎng)絡(luò)的“脆性”，并主張研究為什么人類能夠更好地進(jìn)行“關(guān)于物體和實(shí)體的離散組合推理，這是“代數(shù)概括”。
聲明：本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人，不代表電子發(fā)燒友網(wǎng)立場(chǎng)。文章及其配圖僅供工程師學(xué)習(xí)之用，如有內(nèi)容侵權(quán)或者其他違規(guī)問題，請(qǐng)聯(lián)系本站處理。
舉報(bào)投訴
-
谷歌
+關(guān)注
關(guān)注
27文章
6231瀏覽量
108112 -
神經(jīng)網(wǎng)絡(luò)
+關(guān)注
關(guān)注
42文章
4814瀏覽量
103568
發(fā)布評(píng)論請(qǐng)先 登錄
相關(guān)推薦
熱點(diǎn)推薦
無刷電機(jī)小波神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)子位置檢測(cè)方法的研究
摘要:論文通過對(duì)無刷電機(jī)數(shù)學(xué)模型的推導(dǎo),得出轉(zhuǎn)角:與三相相電壓之間存在映射關(guān)系,因此構(gòu)建了一個(gè)以三相相電壓為輸人,轉(zhuǎn)角為輸出的小波神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)轉(zhuǎn)角預(yù)測(cè),并采用改進(jìn)遺傳算法來訓(xùn)練
發(fā)表于 06-25 13:06
基于FPGA搭建神經(jīng)網(wǎng)絡(luò)的步驟解析
本文的目的是在一個(gè)神經(jīng)網(wǎng)絡(luò)已經(jīng)通過python或者M(jìn)ATLAB訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型，將訓(xùn)練好的模型的權(quán)重和偏置文件以TXT文件格式導(dǎo)出，然后通過python程序?qū)xt文件轉(zhuǎn)化為coe
BP神經(jīng)網(wǎng)絡(luò)與卷積神經(jīng)網(wǎng)絡(luò)的比較
多層。 每一層都由若干個(gè)神經(jīng)元構(gòu)成，神經(jīng)元之間通過權(quán)重連接。信號(hào)在神經(jīng)網(wǎng)絡(luò)中是前向傳播的，而誤差是反向傳播的。 卷積神經(jīng)網(wǎng)絡(luò)（CNN） ：
如何優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率
優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率是提高模型訓(xùn)練效率和性能的關(guān)鍵步驟。以下是一些優(yōu)化BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)率的方法： 一、理解學(xué)習(xí)率的重要性 學(xué)習(xí)率決定了模型參數(shù)在每次迭代時(shí)更新的幅度。過大的學(xué)習(xí)率可能導(dǎo)致模型在
BP神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點(diǎn)分析
自學(xué)習(xí)能力 ： BP神經(jīng)網(wǎng)絡(luò)能夠通過訓(xùn)練數(shù)據(jù)自動(dòng)調(diào)整網(wǎng)絡(luò)參數(shù)，實(shí)現(xiàn)對(duì)輸入數(shù)據(jù)的分類、回歸等任務(wù)，無需人工進(jìn)行復(fù)雜的特征工程。 泛化能力強(qiáng) ： BP神經(jīng)網(wǎng)絡(luò)通過
什么是BP神經(jīng)網(wǎng)絡(luò)的反向傳播算法
BP神經(jīng)網(wǎng)絡(luò)的反向傳播算法（Backpropagation Algorithm）是一種用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)的有效方法。以下是關(guān)于BP神經(jīng)網(wǎng)絡(luò)的反向傳播算法的介紹： 一、基本概念 反向傳播算
BP神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)的關(guān)系
），是一種多層前饋神經(jīng)網(wǎng)絡(luò)，它通過反向傳播算法進(jìn)行訓(xùn)練。BP神經(jīng)網(wǎng)絡(luò)由輸入層、一個(gè)或多個(gè)隱藏層和輸出層組成，通過逐層遞減的方式調(diào)整網(wǎng)絡(luò)權(quán)重，目的是最小化
BP神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別中的應(yīng)用
BP神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別中發(fā)揮著重要作用，其多層結(jié)構(gòu)使得網(wǎng)絡(luò)能夠?qū)W習(xí)到復(fù)雜的特征表達(dá)，適用于處理非線性問題。以下是對(duì)BP神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別中應(yīng)用的分析： 一、BP
如何訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)模型
BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)是一種經(jīng)典的人工神經(jīng)網(wǎng)絡(luò)模型，其訓(xùn)練過程主要分為兩個(gè)階段：前向傳播和反向傳播。以下是訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)
人工神經(jīng)網(wǎng)絡(luò)的原理和多種神經(jīng)網(wǎng)絡(luò)架構(gòu)方法
在上一篇文章中，我們介紹了傳統(tǒng)機(jī)器學(xué)習(xí)的基礎(chǔ)知識(shí)和多種算法。在本文中，我們會(huì)介紹人工神經(jīng)網(wǎng)絡(luò)的原理和多種神經(jīng)網(wǎng)絡(luò)架構(gòu)方法，供各位老師選擇。 01 人工神經(jīng)網(wǎng)絡(luò) ? 人工
卷積神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的比較
在深度學(xué)習(xí)領(lǐng)域，神經(jīng)網(wǎng)絡(luò)模型被廣泛應(yīng)用于各種任務(wù)，如圖像識(shí)別、自然語言處理和游戲智能等。其中，卷積神經(jīng)網(wǎng)絡(luò)（CNNs）和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)是兩種常見的模型。 1. 結(jié)構(gòu)差異 1.1 傳統(tǒng)神經(jīng)網(wǎng)絡(luò)
LSTM神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)準(zhǔn)備方法
LSTM（Long Short-Term Memory，長(zhǎng)短期記憶）神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)準(zhǔn)備方法是一個(gè)關(guān)鍵步驟，它直接影響到模型的性能和效果。以下是一些關(guān)于LSTM神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)準(zhǔn)備的
關(guān)于卷積神經(jīng)網(wǎng)絡(luò)，這些概念你厘清了么~
必須通過決策閾值做出決定。
另一個(gè)區(qū)別是AI并不依賴固定的規(guī)則，而是要經(jīng)過訓(xùn)練。訓(xùn)練過程需要將大量貓的圖像展示給神經(jīng)網(wǎng)絡(luò)以供其學(xué)習(xí)。最終，神經(jīng)網(wǎng)絡(luò)將能夠獨(dú)立識(shí)別圖像
發(fā)表于 10-24 13:56
FPGA在深度神經(jīng)網(wǎng)絡(luò)中的應(yīng)用
、低功耗等特點(diǎn)，逐漸成為深度神經(jīng)網(wǎng)絡(luò)在邊緣計(jì)算和設(shè)備端推理的重要硬件平臺(tái)。本文將詳細(xì)探討FPGA在深度神經(jīng)網(wǎng)絡(luò)中的應(yīng)用，包括其優(yōu)勢(shì)、設(shè)計(jì)流程、關(guān)鍵技術(shù)以及實(shí)際應(yīng)用案例。
Python自動(dòng)訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)
人工神經(jīng)網(wǎng)絡(luò)（ANN）是機(jī)器學(xué)習(xí)中一種重要的模型，它模仿了人腦神經(jīng)元的工作方式，通過多層節(jié)點(diǎn)（神經(jīng)元）之間的連接和權(quán)重調(diào)整來學(xué)習(xí)和解決問題。Python由于其強(qiáng)大的庫支持（如Tenso
工商網(wǎng)監(jiān)
評(píng)論