在GoOGle，Microsoft和FAce[db:标签]ook[db:标签]��巨头的投资下，深度学习已超越机器学习，而人工智能也变得更加强大。那么，当今人工智能最热门的技术趋势是什么？

1。神经网络的架构变得越来越复杂。大多数神经网络的体系结构（例如感知和翻译）变得比简单的前馈神经网络或卷积神经网络（CNN）复杂得多。重要的是要注意，神经网络正与不同的技术（例如LSTM，自定义目标函数等）混合在一起。神经网络是大多数深度学习项目的基础。深度学习基于人脑的结构。相互连接的人工模拟神经元正在模仿大脑的行为，并处理诸如视觉和语言之类的复杂问题。这些人工神经网络可以收集信息并对信息做出反应。他们可以解释事物的形状和声音，并且可以自己学习和工作。 2.长期和短期内存网络（LSTM）。阅读本文时，您会基于对先前单词的理解来理解每个单词。您的想法是连续的，您不会丢弃已知的信息并从头开始思考。传统神经网络的主要缺陷无法做到这一点，而递归神经网络可以解决此问题。 RNN（循环神经网络）具有可以连续存储信息的循环结构。在过去的几年中，RNN在许多领域（例如语音识别和翻译）取得了令人难以置信的成功，而成功的关键是特殊的RNN（长期和短期记忆网络）。 3.“注意力模型”。 “注意”是指神经网络在执行任务时知道要集中在哪里。我们可以让神经网络从更大的信息集中挑选信息作为每个步骤的输入。例如，当神经网络为图片生成标题时，它可以选择图像的关键部分作为输入。 4.神经涡轮机仍然很有趣，但是仍然不能胜任实际工作。翻译句子时，它不会一个字一个字地进行，而是从句子的整体结构开始。机器很难做到这一点。这一挑战称为“强耦合输出的整体估计”。神经图是研究人员试图在硅中重现人脑的短期记忆的一种尝试。它的背后是一种特殊类型的神经网络，可以适应使用外部存储器的情况，它允许神经网络存储内存，然后检索内存并执行一些逻辑任务。 5.深度学习使计算机视觉和自然语言处理不再是一个孤岛。卷积神经网络最初出现在计算机视觉中，但是现在使用了许多自然语言处理（NLP）系统。 LSTM和递归神经网络深度学习首先出现在NLP中，但现在也包括在计算机视觉神经网络中。此外，计算机视觉与NLP的交汇仍具有无限的前景。 6.符号差异变得越来越重要。随着神经网络体系结构及其目标功能变得更加复杂，手动推导“反向传播”梯度变得更加困难且容易出错。 最新的工具包（例如Google的TensorFlow）已经能够过载测试符号的微分，并自动计算正确的微分，以确保在训练过程中可以逆向传播误差梯度。 7.神经网络模型压缩的惊人结果。多个团队以不同的方式显着减少了训练良好模型所需的材料量，包括二值化，固定浮点数，迭代修整和微调步骤。这些技术的潜在应用是广泛的，并且可以适应于在移动设备上训练复杂模型。例如，可以无延迟地获得语音识别结果。此外，如果操作所需的空间和时间大大减少，我们可以以很高的帧速率（例如30 FPS）查询模型，从而可以在移动设备上应用复杂的神经网络模型来完成计算机视觉几乎实时。任务。 8.深度学习和强化学习继续满足。 “端到端”机器人领域已经有了令人振奋的发展，现在机器人已经可以结合使用深度学习和强化学习将原始的传感数据直接转换为实际的运动驱动。我们正在超越简单的“分类”工作，并试图将“计划”和“行动”纳入等式。 9.批次标准化。现在，批处理标准化已被视为评估神经网络工具包的标准的一部分。 10.神经网络的研究和优化是齐头并进的。创建新的神经网络方法需要研究人员和可以快速投入实践的方法。 谷歌的TensorFlow是可以做到这一点的少数几个库之一：使用Python或C ++等主流编程语言，研究人员可以快速创建新的网络拓扑，然后在单个或多个设备上进行测试。

在不久的将来，智能生活必将进入我们的生活。有兴趣进入未来前沿行业的朋友可以收集智慧生活，并及时获得人工智能，大数据，云计算和物联网。前沿的信息和基础知识，让我们共同努力，引领人工智能的未来！