女人自慰AV免费观看内涵网,日韩国产剧情在线观看网址,神马电影网特片网,最新一级电影欧美,在线观看亚洲欧美日韩,黄色视频在线播放免费观看,ABO涨奶期羡澄,第一导航fulione,美女主播操b

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評(píng)論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會(huì)員中心
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識(shí)你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

Google AI定義機(jī)器學(xué)習(xí) DNNs實(shí)現(xiàn)實(shí)時(shí)運(yùn)行

電子工程師 ? 來源:fqj ? 2019-05-15 11:08 ? 次閱讀

在YouOnly PropagateOnce(YOPO)的算法中,研究人員開發(fā)了出一種加速對(duì)抗訓(xùn)練的有效策略。他們將神經(jīng)網(wǎng)絡(luò)的對(duì)抗訓(xùn)練重新組織為差異化游戲,并為其開發(fā)了龐特里亞金(Pontryagin)的極大原則。

通過最大原理,他們發(fā)現(xiàn)對(duì)抗層只與第一層的權(quán)重相結(jié)合,這有助于將對(duì)抗層更新從反向傳播梯度計(jì)算中分離出來。

Google AI定義機(jī)器學(xué)習(xí) DNNs實(shí)現(xiàn)實(shí)時(shí)運(yùn)行

這樣做,YOPO避免了訪問梯度所需的次數(shù),這顯著減少了計(jì)算時(shí)間。為了證明其有效性,研究人員在MNIST和CIFAR10上進(jìn)行了實(shí)驗(yàn),并發(fā)現(xiàn)使用YOPO訓(xùn)練的模型與PGD對(duì)抗訓(xùn)練的模型在清潔數(shù)據(jù)和對(duì)抗擾動(dòng)數(shù)據(jù)上具有相似的表現(xiàn),但YOPO訓(xùn)練的模型具有更優(yōu)秀的性能和較低的計(jì)算成本。

YOPO讓人聯(lián)想到Y(jié)OLO,但與YOLO不同的是,YOPO算法是解決龐特里亞金極大原理的一種方法。龐特里亞金的極大原理具有很大的潛力,因?yàn)樗梢詥l(fā)各種算法的設(shè)計(jì),從而分解對(duì)抗更新和數(shù)據(jù)反向傳播。

我們希望YOPO能夠?yàn)閺?qiáng)大的ML應(yīng)用程序修復(fù)對(duì)抗性示例。

如果你發(fā)現(xiàn)了對(duì)抗性示例,恭喜你,從現(xiàn)在開始它們不再是bug

與傳統(tǒng)觀點(diǎn)相反,一群學(xué)者最近發(fā)表了一種關(guān)于對(duì)抗性示例現(xiàn)象的新觀點(diǎn)。根據(jù)他們的說法,對(duì)抗性的示例自然地來自于標(biāo)準(zhǔn)機(jī)器學(xué)習(xí)數(shù)據(jù)集中的高度預(yù)測(cè)但非魯棒的特征。

他們證明了對(duì)抗性的示例可以直接歸因于非魯棒特征的存在。非魯棒特征意為從數(shù)據(jù)分布的模式中得到的具有高度預(yù)測(cè)性的特征,但這對(duì)人類來說是脆弱和難以理解的。

他們將對(duì)抗脆弱性作為主導(dǎo)監(jiān)督學(xué)習(xí)范式的主要結(jié)果,這表明:對(duì)抗脆弱性是我們模型對(duì)數(shù)據(jù)中良好概括特征的敏感性的直接結(jié)果。

Google AI定義機(jī)器學(xué)習(xí) DNNs實(shí)現(xiàn)實(shí)時(shí)運(yùn)行

他們通過明確地解釋標(biāo)準(zhǔn)數(shù)據(jù)集中魯棒的和非魯棒的特征,為他們的假設(shè)提供了支持。此外,他們表明單獨(dú)的非強(qiáng)大功能對(duì)于良好的推廣是令人滿意的。

本研究論文中的研究結(jié)果似乎得出結(jié)論,只有在采用魯棒訓(xùn)練時(shí),分類器才能學(xué)習(xí)完全準(zhǔn)確且完全穩(wěn)健的決策邊界。因此,鑒于這些元素存在于真實(shí)世界的數(shù)據(jù)集中,分類器利用在人類選擇的相似概念下恰好是非魯棒的高度預(yù)測(cè)特征應(yīng)該不足為奇。

此外,從可解釋性的角度來看,只要模型依賴于非魯棒特征,就不可能期望模型解釋既對(duì)人類有意義又完全依據(jù)模型。為了獲得可解釋和強(qiáng)大的模型,需要人類進(jìn)行先驗(yàn)后,再進(jìn)行模型訓(xùn)練。

下一代MobileNetV3定義

2017年,GoogleAI宣布發(fā)布了MobileNets,這種計(jì)算機(jī)視覺模型旨在于考慮設(shè)備或嵌入式應(yīng)用程序資源受限的情況下,有效并最大限度地提高準(zhǔn)確性。現(xiàn)在,研究人員發(fā)布了MobileNetV3,它代表了基于互補(bǔ)搜索技術(shù)和新架構(gòu)設(shè)計(jì)相結(jié)合的下一代MobileNets。

Google AI定義機(jī)器學(xué)習(xí) DNNs實(shí)現(xiàn)實(shí)時(shí)運(yùn)行

MobileNetV3通過結(jié)合使用NetAdapt算法補(bǔ)充的硬件感知網(wǎng)絡(luò)架構(gòu)搜索(NAS)調(diào)整到移動(dòng)電話CPU,然后通過尖端架構(gòu)改進(jìn)進(jìn)行性能提升。

在此過程之后,研究人員創(chuàng)建了兩個(gè)新的MobileNet模型:MobileNetV3-Large和MobileNetV3-Small,分別針對(duì)高資源和低資源的使用情況。然后對(duì)模型進(jìn)行調(diào)整并應(yīng)用于對(duì)象檢測(cè)和語義分割任務(wù)。

MobileNetV3的大型和小型模型將使研究人員能夠繼續(xù)進(jìn)步,從而提供下一代高度精確的網(wǎng)絡(luò)模型,這將促進(jìn)設(shè)備端計(jì)算機(jī)視覺的進(jìn)步。

半監(jiān)督學(xué)習(xí)的整體性方案

半監(jiān)督式學(xué)習(xí)已經(jīng)證明,它是利用未標(biāo)記的數(shù)據(jù)來減輕機(jī)器學(xué)習(xí)對(duì)大型標(biāo)記數(shù)據(jù)集依賴的一種強(qiáng)有力的方法。谷歌的一組研究人員已經(jīng)通過對(duì)目前領(lǐng)先的半監(jiān)督學(xué)習(xí)方法的整合而提出了一種新的算法,即MixMatch.新算法的工作原理是通過猜測(cè)新增未標(biāo)記數(shù)據(jù)的低熵標(biāo)簽并通過MixUp混合已標(biāo)記和未標(biāo)記數(shù)據(jù).

Google AI定義機(jī)器學(xué)習(xí) DNNs實(shí)現(xiàn)實(shí)時(shí)運(yùn)行

評(píng)估顯示,MixMatch在許多數(shù)據(jù)集和標(biāo)記的數(shù)據(jù)量等方面極大地顯示了其優(yōu)越性.例如,在有250個(gè)標(biāo)簽的CIFAR-10,STL-10的系數(shù)為2的情況下上,錯(cuò)誤率從38%下降到了11%

MixMatch展現(xiàn)出其相對(duì)于傳統(tǒng)方法的優(yōu)越性.這一研究更有價(jià)值的一點(diǎn)在于對(duì)半監(jiān)督學(xué)習(xí)文獻(xiàn)和相關(guān)混合方法研究的進(jìn)一步整合,這講促進(jìn)對(duì)大幅提高算法效率因素的探索。

目前,MixMatch可以幫助我們實(shí)現(xiàn)更好的差別隱私交易中的準(zhǔn)確性和私密性。

針對(duì)神經(jīng)網(wǎng)絡(luò)的對(duì)抗式再編程

在近期的研究中,谷歌研究員嘗試了一個(gè)具有挑戰(zhàn)性的目標(biāo):在不提供攻擊者對(duì)既定目標(biāo)期望輸出的條件下,重新編程來模擬攻擊者選擇的任務(wù)。

研究人員發(fā)現(xiàn),經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)可以被重新編程來分類排列的圖像,這些圖像不保留任何原始的空間結(jié)構(gòu),這表明跨領(lǐng)域重新編程是可能的。他們還發(fā)現(xiàn),經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)比隨機(jī)系統(tǒng)更容易受到對(duì)抗式重新編程的影響,即使在數(shù)據(jù)結(jié)構(gòu)與主要任務(wù)中的數(shù)據(jù)結(jié)構(gòu)差異很大的情況下,重新編程仍然是成功的。

這就是對(duì)圖像領(lǐng)域中的分類任務(wù)進(jìn)行對(duì)抗式重新編程的演示。類似的攻擊在音頻視頻、文本或其他方面能成功嗎?以RNNs的對(duì)抗式重新編程為例——攻擊者只需要在RNN中找到用于執(zhí)行簡(jiǎn)單操作的輸入,就可以重新編程模型來執(zhí)行任何計(jì)算任務(wù)。

如果一個(gè)特別設(shè)計(jì)的輸入可以重構(gòu)整個(gè)機(jī)器學(xué)習(xí)系統(tǒng),攻擊者將會(huì)達(dá)到難以預(yù)料的可怕效果。例如,攻擊者很容易竊取計(jì)算資源或執(zhí)行違反云服務(wù)編程的任務(wù)。所有這一切都表明了對(duì)抗式重新編程可能給人工智能系統(tǒng)帶來的潛在威脅。

隨著人工智能的不斷發(fā)展,認(rèn)識(shí)到技術(shù)的進(jìn)步可能帶來的潛在挑戰(zhàn),并努力找到減輕或抵御這些挑戰(zhàn)的可能方法,對(duì)人工智能的未來十分重要。

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
  • 人工智能
    +關(guān)注

    關(guān)注

    1804

    文章

    48645

    瀏覽量

    246133

原文標(biāo)題:Google AI再定義設(shè)備端機(jī)器學(xué)習(xí),DNNs智能手機(jī)端實(shí)現(xiàn)實(shí)時(shí)運(yùn)行 | AI一周學(xué)術(shù)

文章出處:【微信號(hào):BigDataDigest,微信公眾號(hào):大數(shù)據(jù)文摘】歡迎添加關(guān)注!文章轉(zhuǎn)載請(qǐng)注明出處。

收藏 人收藏

    評(píng)論

    相關(guān)推薦
    熱點(diǎn)推薦

    Nordic nRF54 系列芯片:開啟 AI 與物聯(lián)網(wǎng)新時(shí)代?

    和 RISC-V 伴侶處理器,時(shí)鐘頻率高達(dá) 320 MHz,為高性能的機(jī)器學(xué)習(xí)(ML)和傳感器融合應(yīng)用提供了堅(jiān)實(shí)的硬件基礎(chǔ)。這意味著復(fù)雜的 ML 模型能夠在邊緣設(shè)備上高效運(yùn)行,極大地提升了數(shù)據(jù)處理和分析的
    發(fā)表于 04-01 00:18

    **【技術(shù)干貨】Nordic nRF54系列芯片:傳感器數(shù)據(jù)采集與AI機(jī)器學(xué)習(xí)的完美結(jié)合**

    和更多外設(shè)接口。無論是運(yùn)行還是休眠狀態(tài),功耗表現(xiàn)都非常出色! 3. 在傳感器數(shù)據(jù)采集與AI機(jī)器學(xué)習(xí)中的優(yōu)勢(shì)? 答:主頻高、功耗低,內(nèi)置專用核處理數(shù)據(jù)采集,還配備
    發(fā)表于 04-01 00:00

    告別性能瓶頸:使用 Google Coral TPU 為樹莓派注入強(qiáng)大AI計(jì)算力!

    使用機(jī)器學(xué)習(xí)的應(yīng)用程序通常需要高計(jì)算能力。這些計(jì)算通常發(fā)生在顯卡的GPU上。RaspberryPi并不專門設(shè)計(jì)用于運(yùn)行計(jì)算密集型應(yīng)用程序。但GoogleCoralUSB加速器能在此提供幫助!借助此
    的頭像 發(fā)表于 03-25 09:30 ?428次閱讀
    告別性能瓶頸:使用 <b class='flag-5'>Google</b> Coral TPU 為樹莓派注入強(qiáng)大<b class='flag-5'>AI</b>計(jì)算力!

    在PTR5415模組上,如何實(shí)現(xiàn)時(shí)運(yùn)行BLE+Thread+1個(gè)自定義專有協(xié)議?

    在PTR5415模組上,如何實(shí)現(xiàn)時(shí)運(yùn)行BLE+Thread+1個(gè)自定義專有協(xié)議?歡迎評(píng)論區(qū)分享代碼片段與性能測(cè)試結(jié)果! http://www.freqchina.com/
    發(fā)表于 03-07 13:41

    AI Agent 應(yīng)用與項(xiàng)目實(shí)戰(zhàn)》----- 學(xué)習(xí)如何開發(fā)視頻應(yīng)用

    ,也可以是自定義的模型。 配置視頻生成的參數(shù),如視頻分辨率、幀率、時(shí)長(zhǎng)等。同時(shí),設(shè)置輸入和輸出的格式,確保AI助手能夠正確地接收和處理視頻生成請(qǐng)求。 設(shè)計(jì)并實(shí)現(xiàn)一個(gè)用戶友好的前端界面,用于接收
    發(fā)表于 03-05 19:52

    FPGA+AI王炸組合如何重塑未來世界:看看DeepSeek東方神秘力量如何預(yù)測(cè)......

    現(xiàn)出色,例如在機(jī)器學(xué)習(xí)和深度學(xué)習(xí)中。 ? 工業(yè)自動(dòng)化:用于實(shí)現(xiàn)復(fù)雜的控制邏輯和實(shí)時(shí)數(shù)據(jù)處理。 ? 視頻處理:在視頻分割系統(tǒng)中用于處理高清視頻
    發(fā)表于 03-03 11:21

    基于國(guó)產(chǎn)化鴻道Intewell操作系統(tǒng)的高性能實(shí)時(shí)運(yùn)動(dòng)控制解決方案

    目前國(guó)產(chǎn)化高實(shí)時(shí)運(yùn)動(dòng)控制達(dá)到了什么樣的控制水平呢?軟件+操作系統(tǒng)實(shí)時(shí)控制如何實(shí)現(xiàn)呢?下面,讓我們一起看看基于國(guó)產(chǎn)化鴻道Intewell操作系統(tǒng)的高性能實(shí)時(shí)運(yùn)動(dòng)控制解決方案,深入了解這一
    的頭像 發(fā)表于 12-05 16:03 ?376次閱讀

    什么是機(jī)器學(xué)習(xí)?通過機(jī)器學(xué)習(xí)方法能解決哪些問題?

    來源:Master編程樹“機(jī)器學(xué)習(xí)”最初的研究動(dòng)機(jī)是讓計(jì)算機(jī)系統(tǒng)具有人的學(xué)習(xí)能力以便實(shí)現(xiàn)人工智能。因?yàn)闆]有學(xué)習(xí)能力的系統(tǒng)很難被認(rèn)為是具有智能
    的頭像 發(fā)表于 11-16 01:07 ?813次閱讀
    什么是<b class='flag-5'>機(jī)器</b><b class='flag-5'>學(xué)習(xí)</b>?通過<b class='flag-5'>機(jī)器</b><b class='flag-5'>學(xué)習(xí)</b>方法能解決哪些問題?

    使用機(jī)器學(xué)習(xí)和NVIDIA Jetson邊緣AI機(jī)器人平臺(tái)打造機(jī)器人導(dǎo)盲犬

    Selin Alara Ornek 是一名富有遠(yuǎn)見的高中生。她使用機(jī)器學(xué)習(xí)和 NVIDIA Jetson 邊緣 AI機(jī)器人平臺(tái),為視障人士打造了
    的頭像 發(fā)表于 11-08 10:05 ?742次閱讀

    AI干貨補(bǔ)給站 | 深度學(xué)習(xí)機(jī)器視覺的融合探索

    ,幫助從業(yè)者積累行業(yè)知識(shí),推動(dòng)工業(yè)視覺應(yīng)用的快速落地。本期亮點(diǎn)預(yù)告本期將以“深度學(xué)習(xí)機(jī)器視覺的融合探索”為主題,通過講解深度學(xué)習(xí)定義、傳統(tǒng)機(jī)器視覺與深度
    的頭像 發(fā)表于 10-29 08:04 ?512次閱讀
    <b class='flag-5'>AI</b>干貨補(bǔ)給站 | 深度<b class='flag-5'>學(xué)習(xí)</b>與<b class='flag-5'>機(jī)器</b>視覺的融合探索

    AI大模型與傳統(tǒng)機(jī)器學(xué)習(xí)的區(qū)別

    AI大模型與傳統(tǒng)機(jī)器學(xué)習(xí)在多個(gè)方面存在顯著的區(qū)別。以下是對(duì)這些區(qū)別的介紹: 一、模型規(guī)模與復(fù)雜度 AI大模型 :通常包含數(shù)十億甚至數(shù)萬億的參數(shù),模型大小可以達(dá)到數(shù)百GB甚至更大。這些模
    的頭像 發(fā)表于 10-23 15:01 ?2331次閱讀

    RISC-V如何支持不同的AI機(jī)器學(xué)習(xí)框架和庫?

    RISC-V如何支持不同的AI機(jī)器學(xué)習(xí)框架和庫?還請(qǐng)壇友們多多指教一下。
    發(fā)表于 10-10 22:24

    PCIe實(shí)時(shí)運(yùn)動(dòng)控制卡的雙盤視覺篩選機(jī)上位機(jī)開發(fā)應(yīng)用

    PCIe實(shí)時(shí)運(yùn)動(dòng)控制卡的雙盤視覺篩選機(jī)上位機(jī)開發(fā)應(yīng)用
    的頭像 發(fā)表于 10-10 10:15 ?671次閱讀
    PCIe<b class='flag-5'>實(shí)時(shí)運(yùn)</b>動(dòng)控制卡的雙盤視覺篩選機(jī)上位機(jī)開發(fā)應(yīng)用

    AI引擎機(jī)器學(xué)習(xí)陣列指南

    AMD Versal AI Core 系列和 Versal AI Edge 系列旨在憑借 AI 引擎機(jī)器學(xué)習(xí) ( ML ) 架構(gòu)來提供突破性
    的頭像 發(fā)表于 09-18 09:16 ?689次閱讀
    <b class='flag-5'>AI</b>引擎<b class='flag-5'>機(jī)器</b><b class='flag-5'>學(xué)習(xí)</b>陣列指南

    人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)是什么

    在科技日新月異的今天,人工智能(Artificial Intelligence, AI)、機(jī)器學(xué)習(xí)(Machine Learning, ML)和深度學(xué)習(xí)(Deep Learning,
    的頭像 發(fā)表于 07-03 18:22 ?2511次閱讀