Всем привет, Парас очень рад поделиться с вами применением сверточных нейронных сетей и ресурсами, где вы можете их изучить и понять. Итак, приступим…
CNN достигает самых современных результатов в различных проблемных областях, включая голосовые пользовательские интерфейсы, обработку естественного языка и компьютерное зрение.
Голосовые пользовательские интерфейсы — модель WaveNet
В голосовых пользовательских интерфейсах Google использовала CNN в своей недавно выпущенной модели WaveNet.
WaveNet принимает любой фрагмент текста в качестве входных данных и отлично справляется с возвратом компьютерного звука человека, читающего текст. Если мы снабдим модель WaveNet достаточным количеством образцов вашего голоса, то можно научить его звучать так же, как вы.
Читайте о модели WaveNet.
Текстовая классификация
CNN можно использовать для извлечения информации из предложений. Эта информация может быть использована для классификации настроений. Например: счастлив ли писатель или грустен? Или фильмы хороши или нет?
Узнайте о классификации текста CNN.
Узнайте о новом подходе CNN Facebook к языковому переводу, который обеспечивает современную точность и скорость, в девять раз превышающую скорость моделей RNN.
CNN и обучение с подкреплением
CNN можно использовать для обучения агента ИИ играть в такие видеоигры, как Atari Breakout. Эти модели на основе CNN можно научить играть в игры, не зная заранее, что такое мяч, и даже не зная, что именно делают элементы управления. Агент видит только экран и его счет, но у него есть доступ ко всем элементам управления, которые вы предоставили бы пользователю-человеку. Обладая ограниченными знаниями, CNN может извлечь важную информацию, которая позволит им разработать полезную стратегию.
Играйте в игры Atari с CNN и обучением с подкреплением. Вы можете скачать код, прилагаемый к этой статье.
Если вы хотите поиграть с кодом для начинающих (для глубокого обучения с подкреплением), рекомендуем вам ознакомиться с постом Андрея Карпати.
Подробнее об АльфаГо. Исследователи Deepmind из Google использовали CNN, чтобы обучить агента ИИ побеждать профессиональных игроков в GO.
Карты улиц Google
Google создал более точные карты улиц мира, обучив алгоритм, чем может читать знаки с номерами домов на изображениях просмотра улиц.
CNN достигла уровня производительности во всех этих проблемных областях, а их гораздо больше.
Если вы заинтересованы в использовании CNN в беспилотных автомобилях, рекомендуем вам ознакомиться с:
- Инженер самоуправляемых автомобилей Nanodegree, где он классифицирует знаки в наборе данных Немецкий дорожный знак в этом проекте.
- Инженер машинного обучения Nanodegree, где он классифицирует номера домов из набора данных Street View House Numbers в этом проекте.
- эта серия сообщений в блоге, в которых подробно рассказывается, как обучить CNN на Python для создания самоуправляемого ИИ. играть в Grand Theft Auto V.
Спасибо! Оставайся на связи!
Посещение: MLAIT- We Code For Better Tomorrow