深度學習網路信號濾波

A. 華為哪款手機信號最好，而且還適合當熱點機

華為Mate40手機不錯，參數如下：
1、屏幕：屏幕尺寸6.5英寸，屏幕色彩1670萬色，解析度FHD+ 2376 × 1080 像素，看電影更加舒暢。
2、相機：後置攝像頭：超感知攝像頭5000萬像素+超廣角攝像頭1600萬像素+長焦攝像頭800萬像素，支持自動對焦。前置攝像頭：超感知攝像頭1300萬像素，支持固定焦距，拍照更加細膩，更加清晰。
3、性能：採用EMUI 11.0（基於Android 10）系統，搭載麒麟9000E，八核處理器 ，帶來高速、流暢的體驗。
4、電池：配備4200mAh（典型值）大容量電池，續航持久。
可以登錄華為商城了解更多的手機參數，根據個人的喜好和需求選擇。

B. 人工智慧模型訓練什麼樣的數據集不適合深度學習

中國人工智慧發展迅猛，政府對人工智慧也是很重視的。人工智慧的專業方向有科學研究、工程開發、計算機方向、軟體工程、應用數學、電氣自動化、通信、機械製造，人工智慧的前景雖然很好，但是它的難度系數很高，目前人工智慧的人才需求量很大，相比於其他技術崗位，競爭度降低，薪資相對來說是較高的，因此，現在是進入人工智慧領域的大好時機。人工智慧的發展前景還是很不錯的，原因有幾點，智能化是未來的重要趨勢之一、產業互聯網的發展必然帶動人工智慧的發展、人工智慧技術將成為職場人的必備技能之一。
目前，人工智慧在計算機領域得到了廣泛的重視，我相信在未來的應用前景也會更加廣泛。

C. 學生做深度學習有什麼高性價比的電腦配置推薦

建議買x99、x299，c422等主板，PCIE通道40多個，4通道內存，擴展性良好，性能不夠直接加顯卡就行。

每張顯卡需要8個或16個PCIE通道，固態硬碟還要佔用4個，普通的z490主板只有16個通道，更低端的就更少了，明顯沒有擴展能力。

x99還能找到庫存全新的，才1700塊左右，買的時候注意PCIE卡槽間距離，一個顯卡要佔用兩個卡槽的位置。再加個拆機的1400左右的18核至強e5 2690v4。以後1個顯卡，2個顯卡，3個顯卡，4個顯卡隨便上，完美。

顯卡(Video card，Graphics card)全稱顯示介面卡，又稱顯示適配器，是計算機最基本配置、最重要的配件之一。

顯卡作為電腦主機里的一個重要組成部分，是電腦進行數模信號轉換的設備，承擔輸出顯示圖形的任務。

顯卡接在電腦主板上，它將電腦的數字信號轉換成模擬信號讓顯示器顯示出來，同時顯卡還是有圖像處理能力，可協助CPU工作，提高整體的運行速度。

對於從事專業圖形設計的人來說顯卡非常重要。 民用和軍用顯卡圖形晶元供應商主要包括AMD(超微半導體)和Nvidia(英偉達)2家。

現在的top500計算機，都包含顯卡計算核心。在科學計算中，顯卡被稱為顯示加速卡。

D. 深度學習attention map的中文意思是什麼

近幾年來,深度學習與視覺注意力機制結合的研究工作,大多數是集中於使用掩碼(mask)來形成注意力機制。掩碼的原理在於通過另一層新的權重,將圖片數據中關鍵的特徵

E. BP神經網路的原理的BP什麼意思

原文鏈接：http://tecdat.cn/?p=19936

在本教程中，您將學習如何在R語言中創建神經網路模型。

神經網路（或人工神經網路）具有通過樣本進行學習的能力。人工神經網路是一種受生物神經元系統啟發的信息處理模型。它由大量高度互連的處理元件（稱為神經元）組成，以解決問題。它遵循非線性路徑，並在整個節點中並行處理信息。神經網路是一個復雜的自適應系統。自適應意味著它可以通過調整輸入權重來更改其內部結構。

該神經網路旨在解決人類容易遇到的問題和機器難以解決的問題，例如識別貓和狗的圖片，識別編號的圖片。這些問題通常稱為模式識別。它的應用范圍從光學字元識別到目標檢測。

本教程將涵蓋以下主題：

• 神經網路概論

• 正向傳播和反向傳播

• 激活函數

• R中神經網路的實現

• 案例

• 利弊

• 結論

神經網路概論

神經網路是受人腦啟發執行特定任務的演算法。它是一組連接的輸入/輸出單元，其中每個連接都具有與之關聯的權重。在學習階段，網路通過調整權重進行學習，來預測給定輸入的正確類別標簽。

人腦由數十億個處理信息的神經細胞組成。每個神經細胞都認為是一個簡單的處理系統。被稱為生物神經網路的神經元通過電信號傳輸信息。這種並行的交互系統使大腦能夠思考和處理信息。一個神經元的樹突接收來自另一個神經元的輸入信號，並根據這些輸入將輸出響應到某個其他神經元的軸突。



創建測試數據集

創建測試數據集：專業知識得分和溝通技能得分

• # 創建測試集test=data.frame(專業知識,溝通技能得分)



預測測試集的結果

使用計算函數預測測試數據的概率得分。

• ## 使用神經網路進行預測Pred$result


• 0.99282020800.33355439250.9775153014



現在，將概率轉換為二進制類。

• # 將概率轉換為設置閾值0.5的二進制類別pred <- ifelse(prob>0.5, 1, 0)pred


• 101



預測結果為1,0和1。

利弊

神經網路更靈活，可以用於回歸和分類問題。神經網路非常適合具有大量輸入（例如圖像）的非線性數據集，可以使用任意數量的輸入和層，可以並行執行工作。

還有更多可供選擇的演算法，例如SVM，決策樹和回歸演算法，這些演算法簡單，快速，易於訓練並提供更好的性能。神經網路更多的是黑盒子，需要更多的開發時間和更多的計算能力。與其他機器學習演算法相比，神經網路需要更多的數據。NN僅可用於數字輸入和非缺失值數據集。一位著名的神經網路研究人員說：「神經網路是解決任何問題的第二好的方法。最好的方法是真正理解問題。」

神經網路的用途

神經網路的特性提供了許多應用方面，例如：

• 模式識別：神經網路非常適合模式識別問題，例如面部識別，物體檢測，指紋識別等。

• 異常檢測：神經網路擅長異常檢測，它們可以輕松檢測出不適合常規模式的異常模式。

• 時間序列預測：神經網路可用於預測時間序列問題，例如股票價格，天氣預報。

• 自然語言處理：神經網路在自然語言處理任務中提供了廣泛的應用，例如文本分類，命名實體識別（NER），詞性標記，語音識別和拼寫檢查。

最受歡迎的見解

1.r語言用神經網路改進nelson-siegel模型擬合收益率曲線分析

2.r語言實現擬合神經網路預測和結果可視化

3.python用遺傳演算法-神經網路-模糊邏輯控制演算法對樂透分析

4.用於nlp的python：使用keras的多標簽文本lstm神經網路分類

5.用r語言實現神經網路預測股票實例

6.R語言基於Keras的小數據集深度學習圖像分類

7.用於NLP的seq2seq模型實例用Keras實現神經機器翻譯

8.python中基於網格搜索演算法優化的深度學習模型分析糖

9.matlab使用貝葉斯優化的深度學習

F. AI，機器學習和深度學習之間的區別是什麼

機器學習是AI的一個子領域。這里的核心原則是機器為自己提供數據和「學習」。它目前是企業AI工具包中最有前途的工具。ML系統可以快速應用來自大型數據集的知識和培訓，擅長面部識別，語音識別，物體識別，翻譯以及許多其他任務。與手動編寫具有特定指令的軟體程序來完成任務不同，ML允許系統學習識別模式並進行預測。

G. 在圖像識別這一塊，目前有沒有可以移植到嵌入式設備的深度學習演算法

深度學習在物體識別中最重要的進展體現在ImageNet ILSVRC3挑戰中的圖像分類任務。傳統計算機視覺方法在此測試集上最低的錯誤率是26.172%。2012年，欣頓的研究小組利用卷積網路把錯誤率降到了15.315%。此網路結構被稱為Alex Net，與傳統的卷積網路相比，它有三點與眾不同之處：首先，Alex Net採用了dropout的訓練策略，在訓練過程中將輸入層和中間層的一些神經元隨機置零。這模擬了噪音對輸入數據的各種干擾使一些神經元對一些視覺模式產生漏檢的情況。Dropout使訓練過程收斂得更慢，但得到的網路模型更加魯棒。其次，Alex Net採用整流線型單元作為非線性的激發函數。這不僅大大降低了計算的復雜度，而且使神經元的輸出具有稀疏的特徵，對各種干擾更加魯棒。第三，Alex Net通過對訓練樣本鏡像映射和加入隨機平移擾動，產生了更多的訓練樣本，減少了過擬合。
在ImageNet ILSVRC 2013比賽中，排名前20的小組使用的都是深度學習技術。獲勝者是紐約大學羅伯·費格斯(Rob Fergus)的研究小組，所採用的深度模型是卷積網路，並對網路結構作了進一步優化，錯誤率為11.197%，其模型稱作Clarif。
在ILSVRC 2014比賽中，獲勝者GooLeNet[18]將錯誤率降到了6.656%。GooLeNet突出的特點是大大增加了卷積網路的深度，超過了20層，這在此之前是不可想像的。很深的網路結構給預測誤差的反向傳播帶了困難，這是因為預測誤差是從最頂層傳到底層的，傳到底層的誤差很小，難以驅動底層參數的更新。GooLeNet採取的策略是將監督信號直接加到多個中間層，這意味著中間層和底層的特徵表示也要能夠對訓練數據進行准確分類。如何有效地訓練很深的網路模型仍是未來研究的一個重要課題。
雖然深度學習在ImageNet上取得了巨大成功，但是很多應用的訓練集是較小的，在這種情況下，如何應用深度學習呢？有三種方法可供參考：(1)可以將ImageNet上訓練得到的模型作為起點，利用目標訓練集和反向傳播對其進行繼續訓練，將模型適應到特定的應用[10]。此時ImageNet起到預訓練的作用。(2)如果目標訓練集不夠大 ，可以將底層的網路參數固定，沿用ImageNet上的訓練集結果，只對上層進行更新。這是因為底層的網路參數是最難更新的，而從ImageNet學習得到的底層濾波器往往描述了各種不同的局部邊緣和紋理信息，而這些濾波器對一般的圖像有較好的普適性。(3)直接採用ImageNet上訓練得到的模型，把最高的隱含層的輸出作為特徵表達，代替常用的手工設計的特徵。

H. AI，機器學習和深度學習的區別到底是什麼

簡單來說，機器學習是實現人工智慧的方法，深度學習是實現機器學習的技術。機器學習在實現人工智慧時中需要人工輔助（半自動），而深度學習使該過程完全自動化

三者關系：

舉個例子：通過機器學習演算法來識別水果是橘子還是蘋果，需要人工輸入水果的特徵數據，生成一定的演算法模型，進而可以准確預測具有這些特徵的水果的類型，而深度學習則能自動的去發現特徵進而判斷。

I. 深度學習：卷積核（濾波器）為什麼都是奇數

信號的峰值奇次方始終大於其偶次方很多。

J. 如何看待中科院計算所的Cambricon-X稀疏深度學習處理器

在Google I/O 2016的主題演講進入尾聲時，Google提到了一項他們這段時間在AI和機器學習上取得的成果，一款叫做Tensor Processing Unit（張量處理單元）的處理器，簡稱TPU。

根據TPU團隊主要負責人介紹，TPU專為Google機器學習應用TensorFlow打造，能夠降低運算精度，在相同時間內處理更復雜、更強大的機器學習模型並將其更快地投入使用。Google數據中心早在一年前就開始使用TPU，其性能把摩爾定律往前推進到7年之後。之前打敗李世乭的AlphaGo就是採用了TPU做了運算加速。
根據Google所言，TPU只在特定應用中作為輔助使用，公司將繼續使用CPU和GPU。並且Google並沒有對外銷售TPU的打算。因此，TPU雖好，但僅限Google內部，而且即便使用TPU，也是用作輔助CPU和 GPU。
谷歌並沒有公布TPU是怎麼設計的，因此似乎很難對其一探究竟。不過，要知道谷歌的TPU並不是什麼黑科技，只不過是正常的一款專用加速晶元。而且，這也不是世界上第一款用來做深度學習的專用晶元。IBM和我國中科院其實都有類似成果。
IBM 在2014年研發出脈沖神經網路晶元TrueNorth，走的是「類腦計算」路線。類腦計算的假設是，相似的結構可能會出現相似的功能，所以假如用神經電子元件製造與人腦神經網路相似的電子神經網路，是否可能實現人腦功能呢？這其實有點像人類研究飛行器的過程。我們都知道鳥會飛是因為有翅膀，人沒有。所以假如給人也弄一對翅膀，人是不是也能飛？
早先人類其實有這么一個探索過程。如今人類要探索大腦，但是大腦何其復雜？IBM的這款晶元就是通過打造類腦的晶元架構，來期望得到大腦同樣的功能，就算達不到，能模擬一下也很有意義。大意如此，當然實際上復雜多了。目前這款晶元理念很超前，還處於深入研究階段，算得上是黑科技。
今天要重點講的其實是中科院的這款「寒武紀」晶元。2016年3月，中國科學院計算技術研究所發布了全球首個能夠「深度學習」的「神經網路」處理器晶元，名為「寒武紀」。該課題組負責人之一、中科院計算所陳天石博士透露，這項成果將於今年內正式投入產業化。在不久的未來，反欺詐的刷臉支付、圖片搜索等都將更加可靠、易用。下圖是「寒武紀」的晶元板卡。

之所以重點講，是因為Google的TPU晶元並沒有公開設計細節，連是誰代工的都沒有公開。但是同樣作為深度學習的晶元，有理由相信中科院的「寒武紀」與Google的TPU在設計理念上是相同的。在講這個之前，先簡單科普一下人工智慧和深度學習。
1981年的諾貝爾醫學獎，頒發給了David Hubel和Torsten Wiesel，以及Roger Sperry。前兩位的主要貢獻是，發現了人的視覺系統的信息處理是分級的。如下圖所示：從原始信號攝入開始（瞳孔攝入像素），接著做初步處理（大腦皮層某些細胞發現邊緣和方向），然後抽象（大腦判定眼前物體的形狀，比如是橢圓形的），然後進一步抽象（大腦進一步判定該物體是張人臉），最後識別眼前的這個人。

而深度學習（Deep Learning），恰恰就是模仿人腦的機制來解釋數據。通過組合低層特徵形成更加抽象的高層特徵（或屬性類別）。例如，在計算機視覺領域，深度學習演算法從原始圖像去學習得到一個低層次表達，例如邊緣檢測器、小波濾波器等，然後在這些低層次表達的基礎上，通過線性或者非線性組合，來獲得一個高層次的表達。此外，不僅圖像存在這個規律，聲音也是類似的。比如，研究人員從某個聲音庫中通過演算法自動發現了20種基本的聲音結構，其餘的聲音都可以由這20種基本結構來合成！
對於深度學習來說，其思想就是堆疊多個層，上一層的輸出作為下一層的輸入。深度神經網路由一個輸入層，數個隱層，以及一個輸出層構成。每層有若干個神經元，神經元之間有連接權重。每個神經元模擬人類的神經細胞，而結點之間的連接模擬神經細胞之間的連接。

當然了，以上這些原理都不是重點。我們只需要明白深度神經網路模擬了大腦的神經網路，上圖的每個圈圈都類似大腦的一個神經元。通過採用專用晶元進行神經元的運算加速，相比於採用CPU這種通用運算器，可以大大提高神經網路的性能。根據「寒武紀」晶元的介紹，它可以一條指令完成多個神經元的並行處理。據此推斷，Google的TPU很有可能也是這么設計的，也就是說，支持一條指令完成神經元的多次計算。
「寒武紀」專用處理器還有配套的指令集，叫Cambricon。我們知道，指令集乃是一個處理器架構的核心。知道了一款處理器實現了哪些指令，其實也就知道了這款處理器適合做什麼，也大概知道了這款處理器的硬體設計。

Cambricon指令集的特點是單指令可以做完一次向量或矩陣運算，因此假如我們知道了深度學習的具體演算法，那麼其實也就知道了每個神經元可以規約為何種向量或矩陣運算，其實也就推斷出了Cambricon的指令集。以此類推，如果我們知道了Google的深度學習演算法，假設也是每條指令實現多個神經元相關的向量或矩陣運算，那麼其實也能推斷出TPU的指令集。這種假設應該是很有道理的，畢竟把一個神經元的計算打包成一條指令，是非常科學合理的專用加速器設計方案。
可以看到，整個系統連接了兩塊圖像感測器，感測器採集到的圖像通過Camera Serial Interfaces（CSI）介面連接到Video pipeline處理單元，進行Bayer重建、白平衡、降噪、壓縮等等圖像處理。

而ShiDianNao則在該系統中進行深度學習的模式識別，它內部實現了一個深度神經網路，經訓練之後具有類似人類大腦一樣的識別能力，可以從圖像中識別出有一隻貓，然後將識別出「貓」的信息通過GPIO/I2C介面輸出給主機。整個系統用一款微處理器做控制，協調各個部件的運行。整個系統的數據存儲，使用了256KB的SRAM，為了節省功耗，並提高性能，並沒有使用DRAM。
下圖給出了ShiDianNao處理器的深度神經網路的架構。根據文獻介紹，NBin是輸入神經元的緩存，NBout是輸出神經元的緩存，SB是突觸的緩存。核心部件是NFU（neural functional unit）單元，它負責實現一個神經元的功能。ALU是數值運算單元，IB（decoder forinstructions）是指令解碼器。

之前講過，深度神經網路加速晶元的最大特點就是單指令可以完成多個神經元的計算。因此神經元計算單元的實現，就是這款加速晶元的核心。根據文獻介紹，每個NFU又是一個陣列，包含一堆PE單元。每個NFU單元實現了16bit x 16bit的定點整數乘法，相比於浮點乘法，這會損失一部分運算精度，但是這種損失可以忽略不計。

由此，我們就自上而下的看完了整個ShiDianNao的架構設計。由於Google並沒有公布TPU的設計，中科院和寒武紀公司亦沒有公開商用的寒武紀晶元的具體架構，因此我們只能大概根據中科院前些年與法國和瑞士的合作者在學術界公開發表的ShiDianNao架構進行推斷（我們假設寒武紀商用晶元和前些年的學術工作ShiDianNao在架構上有一脈相承之處，畢竟中科院計算所陳天石團隊的成員都是主要架構師或論文的第一作者）。

根據ShiDianNao架構的論文描述，結合之前的論述，我們可以大致得出以下猜測：
（1）Google的TPU很有可能也是單指令完成多個神經元的計算。

（2）知道了Google的機器學習演算法，就可以推斷出TPU支持的指令集。

（3）根據Google對TPU的描述「能夠降低運算精度」，猜測TPU內部可能也是採用更低位寬的定點或浮點乘法，雖然具體位寬未知。

（4）乘累加單元搭建的向量或矩陣指令仍然是基礎運算的核心。

（5）Google強調TPU有領先7年的性能功耗比（十倍以上的提升），據此猜測，TPU可能也沒有使用DRAM做存儲，可能仍然使用SRAM來存儲數據。但從性能功耗比提升量級上看，還遠未達到專用處理器的提升上限，因此很可能本質上採用的是數據位寬更低的類GPU架構，可能還是具有較強的通用性。