OpenStack具有三大特点：免费开源、强大的兼容性以及开放性。用户可通过其对现有虚拟化技术的支持实现OpenStack在不同场景的部署。然而，OpenStack也存在如下一些劣势：项目中面临的风险 由于发展时间较短，还缺乏很多必要的功能。事实上，用OpenStack作最终平台的解决方案是存在一定风险的，甚至会变成一个很棘手的问题。一个典型例子是对虚拟化管理程序的支持，OpenStack虽然支持几乎所有的虚拟化管理程序，但对它们的支持仅仅是开启与关闭而已。......
2023-11-18
深度学习的优势解析
【摘要】：深度学习是机器学习的第二次浪潮。图7-3多层神经网络表达复杂函数深度学习的实质是通过构建具有很多隐层的机器学习模型和海量的训练数据来学习更有用的特征，从而最终提升分类或预测的准确性。深度学习与传统的神经网络之间有相同的地方也有很多不同。深度学习整体上是一个由许多智能的隐含层构成的训练机制，这样做可以更大限度地刻画和模拟现实中各种非线性目标函数。
深度学习是机器学习的第二次浪潮。2006年，加拿大多伦多大学教授、机器学习领域的泰斗Geoffrey Hinton和他的学生Ruslan Salakhutdinov在《科学》上发表了一篇文章，开启了深度学习在学术界和工业界的浪潮。这篇文章有两个主要观点：
①多隐层的人工神经网络具有优异的特征学习能力，学习得到的特征对数据有更本质的刻画，从而有利于可视化或分类；
②深度神经网络在训练上的难度，可以通过“逐层初始化”（layer-wise pretraining）来有效克服，在这篇文章中，逐层初始化是通过无监督学习实现的。
当前多数分类、回归等学习方法均为浅层结构算法，其局限性在于有限样本和计算单元情况下对复杂函数的表示能力有限，针对复杂分类问题其泛化能力受到一定制约。深度学习可通过学习一种深层非线性网络结构，实现复杂函数逼近，表征输入数据分布式表示，展现了强大的从少数样本集中学习数据集本质特征的能力，多层的好处是可以用较少的参数表示复杂的函数，如图7-3所示。
图7-3 多层神经网络表达复杂函数
深度学习的实质是通过构建具有很多隐层的机器学习模型和海量的训练数据来学习更有用的特征，从而最终提升分类或预测的准确性。因此深度模型是手段，特征学习是目的。区别于传统的浅层学习，深度学习的不同在于：
①强调了模型结构的深度，通常有5层、6层，甚至10多层的隐层节点；
②明确突出了特征学习的重要性，也就是说，通过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，从而使分类或预测更加容易；与人工规则构造特征的方法相比，利用大数据来学习特征，更能够刻画数据的丰富内在信息；深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。
深度学习与传统的神经网络之间有相同的地方也有很多不同。两者的相同在于深度学习采用了神经网络相似的分层结构，系统由包括输入层、隐层（多层）、输出层组成的多层网络，只有相邻层节点之间有连接，同一层以及跨层节点之间相互无连接，每一层可以看作是一个逻辑斯特回归模型，这种分层结构，是比较接近人类大脑的结构的。
为了克服神经网络训练中的问题，深度学习采用了与神经网络很不同的训练机制。传统神经网络中，采用的是反向传播算法的方式，简单来讲就是采用迭代的算法来训练整个网络，随机设定初值，计算当前网络的输出，然后根据当前输出和实际输出之间的差去改变前面各层的参数，直到收敛（整体是一个梯度下降法）。深度学习整体上是一个由许多智能的隐含层构成的训练机制，这样做可以更大限度地刻画和模拟现实中各种非线性目标函数。
有关工业智能技术与应用的文章
- 详细阅读
-
深度属性解析：像素深度与显示深度详细阅读
与图像的存储和显示有关的深度属性主要有两个：像素深度和显示深度。像素深度决定彩色图像的每个像素可能有的颜色数，或者确定灰度图像的每个像素可能有的灰度级数。显示深度显示深度是计算机显示器的重要指标，表示显示器上每个点用于显示颜色的二进制位数。现在一般的多媒体PC都应该配有能够达到24位显示深度的显示适配卡和显示器。在Windows操作系统中，用户可以使用“控制面板”中的“显示”对话框自行设置显示深度。......
2023-10-22
-
教学变革：新学习系统与深度学习详细阅读
《国家中长期教育改革和发展规划纲要》中提到：“坚持以人为本、全面实施素质教育的核心是解决好培养什么人。”纲要中提到培养时应以能力为重，即培养学生的学习能力、实践能力、创新能力，教育学生学会知识技能，学会动手动脑，学会生存生活，学会做人做事，促进学生主动适应社会，开创美好未来。......
2023-08-08
-
深度学习的基本思想与方法详细阅读
假设我们有一个系统S，它有n层（S1，…，Sn），它的输入是I，输出是O，可形象地表示为：I=＞S1=＞S2=＞…回到深度学习的主题，人们需要自动地学习特征，假设有一堆输入I，设计一个系统S（有n层），通过调整系统中参数，使得它的输出仍然是输入I，那么我们就可以自动地获取得到输入I的一系列层次特征，即S1，…对于深度学习来说，其思想就是堆叠多个层，也就是说这一层的输出作为下一层的输入。上述就是深度学习的基本思想。......
2023-06-28
-
火灾与爆炸的破坏效应：深度解析详细阅读
火灾与爆炸都会带来生产设施的重大破坏和人员伤亡，但两者的发展过程显著不同。火灾时间延长一倍，损失可能增加三倍。爆炸通常伴随发热、发光、压力上升、真空和电离等现象，具有很大的破坏作用。它与爆炸物的数量和性质、爆炸时的条件以及爆炸位置等因素有关。当盛装易燃物的容器、管道发生爆炸时，爆炸抛出的易燃物有可能引起大面积火灾，这种情况在油罐、液化气瓶爆炸后最易发生。......
2023-06-23
-
深度解析CalibrePEX界面优化详细阅读
图4.81为Calibre PEX主界面，如图可知，Calibre PEX的主界面分为标题栏、菜单栏和工具选项栏。Calibre PEX主界面中的工具选项栏，红色字框代表对应的选项还没有填写完整，绿色代表对应的选项已经填写完整，但是不代表填写完全正确，需要用户进行确认填写信息的正确性。图4.82 Rules填写完毕的Calibre PEX工具选项栏Inputs包括Layout、Netlist、H-Cells、Blocks和Probes等5个选项卡。......
2023-06-26
-
探索深度学习的自学能力与应用详细阅读
直到深度学习出现，方才打破这一困境。深度学习指机器根据某些基本原理自主进行训练，最终具备自学能力。深度学习源于人工神经网络的研究，通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习是解决以上问题最好的方案之一。深度学习技术的成功依赖于两个关键因素：第一，计算速度得到大幅提升。......
2023-06-27
-
ST程序建立的步骤和内容深度解析详细阅读
ST程序新建流程如图7-83所示。本节中ST程序的编写使用的是局部变量，相关详细内容请查阅结构化文本编程参考手册。图7-83 ST程序新建流程图图7-85 新建ST工程3）最后点击“登录”按钮，对所输入的标签进行登记。图7-91 ST程序写入5.ST程序的读取相对于顺序控制梯形图程序而言，在进行ST程序的读取操作时，首先需要新建一个带有标签功能的工程，之后再进行ST程序的读取。图7-92 ST程序读取警告......
2023-06-16
相关推荐