家电视野：用语音控制家电原来如此奇妙【】_科技趣闻_腾讯视频更多频道内容在这里查看
爱奇艺用户将能永久保存播放记录
过滤短视频
暂无长视频（电视剧、纪录片、动漫、综艺、电影）播放记录，
按住视频可进行拖动
&正在加载...
请选择赞赏金额：
请选择打赏金额：
当前浏览器仅支持手动复制代码
视频地址：
flash地址：
html代码：
通用代码：
通用代码可同时支持电脑和移动设备的分享播放
收藏成功，可进入
查看所有收藏列表
用爱奇艺APP或微信扫一扫，在手机上继续观看
当前播放时间：
一键下载至手机
限爱奇艺安卓6.0以上版本
使用微信扫一扫，扫描左侧二维码，下载爱奇艺移动APP
其他安装方式：手机浏览器输入短链接http://71.am/udn
下载安装包到本机：
设备搜寻中...
请确保您要连接的设备（仅限安卓）登录了同一爱奇艺账号 且安装并开启不低于V6.0以上版本的爱奇艺客户端
连接失败！
请确保您要连接的设备（仅限安卓）登录了同一爱奇艺账号 且安装并开启不低于V6.0以上版本的爱奇艺客户端
部安卓（Android）设备，请点击进行选择
请您在手机端下载爱奇艺移动APP（仅支持安卓客户端）
使用微信扫一扫，下载爱奇艺移动APP
其他安装方式：手机浏览器输入短链接http://71.am/udn
下载安装包到本机：
爱奇艺云推送
请您在手机端登录爱奇艺移动APP（仅支持安卓客户端）
使用微信扫一扫，下载爱奇艺移动APP
180秒后更新
打开爱奇艺移动APP，点击“我的-扫一扫”，扫描左侧二维码进行登录
没有安装爱奇艺视频最新客户端？
jojo的奇妙冒险 第1部~第4部 op1~7
正在检测客户端...
您尚未安装客户端，正在为您下载...安装完成后点击按钮即可下载
爸爸去哪儿2游戏 立即参与
30秒后自动关闭
jojo的奇妙冒险 第1部~第4部 op1~7
播放量数据：快去看看谁在和你一起看视频吧~
您使用浏览器不支持直接复制的功能，建议您使用Ctrl+C或右键全选进行地址复制
安装爱奇艺视频客户端，
马上开始为您下载本片
5秒后自动消失
&li data-elem="tabtitle" data-seq="{{seq}}"& &a href="javascript:void(0);"& &span>{{start}}-{{end}}&/span& &/a& &/li&
&li data-downloadSelect-elem="item" data-downloadSelect-selected="false" data-downloadSelect-tvid="{{tvid}}"& &a href="javascript:void(0);"&{{pd}}&/a&
选择您要下载的《
色情低俗内容
血腥暴力内容
广告或欺诈内容
侵犯了我的权力
还可以输入
您使用浏览器不支持直接复制的功能，建议您使用Ctrl+C或右键全选进行地址复制自然界有许多动物能模仿人类的语音.比如鹦鹉能学人说话.海豚能像人一样发出 悦耳的音符.声音是个奇妙的东西.能把你带入变幻离奇的境界.口技表演就是这样一 种艺术.不信?让我们一起来看这篇课文.——精英家教网——
暑假天气热？在家里学北京名师课程，
自然界有许多动物能模仿人类的语音.比如鹦鹉能学人说话.海豚能像人一样发出 悦耳的音符.声音是个奇妙的东西.能把你带入变幻离奇的境界.口技表演就是这样一 种艺术.不信?让我们一起来看这篇课文. 【】
题目列表(包括答案和解析)
300194523.6885“”“”1935121628
“”“”“”“”
“”“”。蜘蛛几乎是个“”“”“”“”
A.& 　　　　　　　　　　　　 B.
C.　　　　　　　　　　　　　　　　&& D.
4.“”___________________________________
7.简述人们研制“步行机”是模仿蜘蛛“液压腿”的什么本领。（用原文句子回答。）
阅读理解。
生死胡杨邢增尧　　①世上有好多地方，到过一次就不想再去；唯有一处，我去了不仅依然向往，而且岁月愈久，邑恋愈深。它就是被称为“死亡之海”的塔克拉玛干沙漠腹地中的那一片胡杨林。　　②远远望见塔里木河畔的胡杨林，眼眸便倏地一亮：在无休无止的干旱瘦瘠、无始无终的沙尘风暴的折腾下，竟会有如此灿烂的胡杨——巨帚般的树冠撑天摩云，浓浓的翠绿在天幕上写意般地勾勒出波涛似的线条；巍巍身子将脚下的戈壁绿地护卫得严严实实，好一派“泰山石敢当”模样。在目力所及的无边无际中，这里简直是一个最为苍凉壮丽的生命场，铺天盖地的是生命和自然的交响。　　③陪同的友人介绍说：“戈壁滩，独领风骚的乔木就是胡杨，它们只生长在这一带；胡杨，生是戈壁的精灵，兀是戈壁的魂魄；它以磐石般的信念独守千年岁月，你走近它、体味它，方知什么是真汉子，什么是伟丈夫……”听罢，旅途的疲惫和困顿霎时成了过眼烟尘。于是，我一马当先，跃入胡杨林，让这卓尔不群的雄奇浸润自己的眼睛和心房。　　④越往前行，越显幽静。蓦地，一泓波平如镜的海子裸呈在我眼前。阳光轻洒，映现高天流水的碧水便忽闪出锦缎般的光来。掬一口，每一根神经都透着清冽怡爽。在这仿佛混沌初开的漠野中，除了胡杨，还有什么能护住这晶莹透亮的海子呢？　　⑤怀着依依不舍的心绪，我驱车赶往另一片已然死去的胡杨林。　　⑥那是一幅怎样惊心动魄难以忘怀的景象啊！　　⑦放眼望去，千姿百态的胡杨，在静默中挽一抹斜阳，被岁月消弭了生命颜色的身躯紫黑发亮。有的似骆驼负重，有的如龙蛇蜷地；有的似狮虎雄踞，有的如骏马嘶鸣；有的虽树冠被摧，肢断骨折，却依然挺起足以使世人瞠目的脊梁。大气中闪耀着“生当作人杰，死亦为鬼雄”的威光。站在它的面前，你的心灵会接受庄严与神圣的锻打，你会忽然悟彻生命的壮丽与永恒其实是无声的一一无声无息地成长，无声无息地壮大，无声无息地辉煌……　　⑧据说，世界上，似这般活着一千年不死，死后一千年不倒，倒后一千年不烂的胡杨林已是屈指可数酌了。所以，我特别珍惜，将它当成城市中的绿化地，小心翼翼地逡巡，认认真真地思量。我忆起了劬劳（劬：qú，劳苦）的张骞、艰辛的玄奘、骁勇的霍去病、刚正的林则徐……一股干云豪气洋溢胸腔。是的，不深入胡杨林，也许永远不会清楚什么是生命的坚忍和昂扬，什么是生命的风采和永恒，什么是震撼人心的本相……　　⑨这时，“打道回府”的唤声响了！　　⑩从沉思中猛醒的我只得随车离去，然而心却是留在胡杨林中迟迟难归。1．在《罗布泊，消逝的仙湖》中也写到胡杨。胡杨，维吾尔语称做“托克拉克”，它的意思为_____________________。2．根据标题“生死胡杨”用∥给文章分层次正确的一项是（&&&&）A．①∥②③④⑤⑥⑦⑧∥⑨⑩B．∥①②③④∥⑤⑥⑦⑧⑨⑩C．①∥②③④∥⑤⑥⑦⑥⑧⑨⑩D．&①②∥③④⑤⑥⑦⑧⑨∥⑩3．对集中描写胡杨的句子进行摘录并赏析。描写生的胡杨的句子：_______________________________________________________赏析：_______________________________________________________描写死的胡杨的句子：_______________________________________________________赏析：_______________________________________________________4．第⑧段中，作者看到胡杨林，为什么会忆起劬劳的张骞、艰辛的玄奘、骁勇的霍去病、刚正的林则徐等人？_______________________________________________________5．阅读下列的链接材料，联系胡杨的生和死，写一则跟帖。　　链接一：一组数据 &塔里木河全长1321公里，是中国第一、世界第二大内陆河。现在已经萎缩到不足1000公里，320公里的河道干涸，沿岸5万多亩耕地受到威胁，草本植物全部死光，防沙卫士胡杨成片无亡。沙漠以每年3米至5米的速度向湖中推进。罗布泊很快与广阔无垠的塔克拉玛干大沙漠浑然一体。罗布泊消失了。　　链接二：一种现状 “50年代淘米洗菜，60年代洗衣灌溉，70年代水质变坏，80年代鱼虾绝代，90年代不洗马桶盖。”这是对河流污染的真实写照。跟帖一：昵称：听风落叶　　　　留言：拯救我们的水资源环境吧，不要让“人类最后的一滴水是我们自己的眼泪”变成现实！跟帖二：昵称：_______________________________________________________ 　　　　留言：_______________________________________________________
　　①蜘蛛是节肢动物门蛛形纲中的蜘蛛目和盲蛛目动物的通称。
　　②全世界的蜘蛛有三万五千余种，常见的种类有圆蜘蛛、球腹蛛、拉土蛛、蝇虎、壁线、漏斗网蛛等。世界上最大的蜘蛛是拉丁美洲的捕鸟蜘蛛，它织的结实的网，能载得住重达300克的小鸟。1945年在巴西采集到一只雌性袋蜘蛛，它的体长23．68厘米，重将近85克，外形好像一只大螃蟹，是至今世界上最重的蜘蛛。拉丁美洲有一种常聚居在一起的蜘蛛，叫做“马略斯”，它结的网犹如一条大被单。危地马拉北部有一种叫做“司塔马利维’的蜘蛛，全身白色，能吐出非常坚韧的彩色蛛丝，织成的网五颜六色，十分好看，当地居民常用来当窗帘。 1935年在墨西哥捕到一只成年雌性袋蜘蛛，当时估计它的年龄为12岁，后来又在实验室养了16年，总年龄为28岁，称得上是长寿的蜘蛛。
　　③科学家曾把蜘蛛带到宇宙空间去，观察它在失重状态下能否织网，结果蜘蛛第一次失败了，但不久适应了失重状态，把网织成了。
　　④蜘蛛在织网时，首先要在两地之间架“天索”，固定在一定的地方，并在固定的丝上来回走几趟，使丝加粗。然后形成不规则的框子为踏足线，在“天索”上设置对角线，再在对角线的中央织一个白点，这是将来网的中心。以后往返于中心和圆周之间织许多呈辐射状的半径线。辐射线把圆圈分成等分的数目，每两根相邻的半径间的角度是约略相等的，接着用一根很细的丝从中心开始螺旋地盘成一个区域称为休息处，射线及休息处作好后自圆心向外作第一螺旋线，然后自外向里织粘性强的第二螺旋线。织好第二螺旋线后，将第一螺旋线及其部分射线吃掉，并继续自外向里作螺旋线。愈近中心，每圈间的距离也愈密，直至不可辨认的地步。这正符合数学上的对数螺线的情况。蜘蛛的确不愧为是“数学家”、“织网家”。
　　⑤蜘蛛在国内外常作药物治病。
　　⑥在光学仪器上，采用很细的蜘蛛丝作义丝之用。
　　⑦在仿生学上人们正在研究蜘蛛的“液压腿”，并据此研制了一种“步行机”。蜘蛛几乎是个“瞎子”，但一旦昆虫触动蛛网，它依靠腿上极灵敏的振动传感器，就能立刻扑过去捉住食物。科学工作者将蜘蛛的腿进行解剖，发现腿里没有肌肉。蜘蛛的这项本领，是依靠腿里一种不寻常的液体来实现的。当腿中充满“血液”时，原来的软腿就会变硬，腿就变成了一种特殊的液压传动机构，蜘蛛就能快速行动和跳跃。于是人们模仿蜘蛛的“液压腿”，研制了一种“步行机”，以期能为瘫痪病人服务。人们还试图用蜘蛛中血压自动调节的原理，寻找自动调节人体血压的方法，治疗高、低血压病。
(选自日《语文报》有删改)
用“||”给这篇短文划分层次
①②③④⑤⑥⑦
“蜘蛛织网技能之高妙，使人诧异，在任何环境里都能进行。”这一句是从文中段首提出来的，你认为应放回第几段的开头。
答：________
认真阅读，谈谈第②段内容安排上的详略特点。
答：________
第④段中连接“蜘蛛织网”先后顺序的一组词是________。蜘蛛不愧为“数学家”的原因是________
本文的说明顺序是什么？主要运用了哪些说明方法？
答：________
昆虫的拟态 为了获得生存的机会，各种形态的昆虫伪装成自然界里的万物，隐蔽自己，吓跑敌人，或者方便自身取食，这就是昆虫的拟态。 自然界里昆虫的拟态类型很多，主要有贝茨氏拟态和米勒式拟态以及进攻性拟态等几种类型。 1862年，英国博物学家H&W&贝茨在研究蝴蝶时提出的可食性物种模拟有毒、有刺或味道不佳的不可食物种的拟态现象。贝茨氏拟态中的被拟者分布广、数量众多、显眼并具有不可食性或其他保护方式。拟者和被拟者经常生活在同一地区和时间，这样捕食者便难以将两者分清。最典型的例子是北美一种适合捕食者口味的蝴蝶模仿另一种不适口或不可食的蝴蝶，鸟类不取食有毒的蝴蝶，从而也会避免去取食无毒但是花纹酷似有毒蝴蝶的无毒蝴蝶。 米勒氏拟态是两种具有警戒色的不可食物种互相模拟的拟态现象。1878年，由德国动物学家弗里兹&米勒提出，故名。比如，蜜蜂和黄蜂之间彼此相似。米勒解释说，因鸟类必须通过亲身尝试才能得知某种昆虫不适口，几种均不适口的昆虫形色相似，这样鸟类一旦吃到一种不适口的昆虫，另一种具有类似形态的不适口昆虫也不会再遭到捕猎，从而有效地降低了死亡率。 进攻性拟态就是模仿其他生物以便于接近进攻对象的拟态。例如螳螂会模拟兰花或者其他花朵的样子，待昆虫大摇大摆飞来采蜜或者停留的时候把它吃掉，而这个被吃掉的虫子到死也不知道自己究竟是怎么死的。螳螂的模拟水平之高，可见一斑。
18．结合文章内容，说说文中划线语句不能删去的两条主要理由。（2分） &&&&& 答：&&&&&&&&&&&&&&&&&&
19．根据选文内容，判断下面三则材料介绍的昆虫拟态分别属于哪一种类型，并结合材料内容作简要说明。（6分） 【材料一】 有一种雌性萤火虫能够模拟多达11种萤火虫的发光方式，利用这种光亮来吸引前来求偶的其他种类的雄性萤火虫上钩，然后大口吃掉。 【材料二】 北美有两种有毒的帝王蝴蝶，色彩鲜艳，长得很像，还可以彼此模仿对方的花纹，真真假假、假假真真，令捕食者眼花缭乱，难以区分，只好统统敬而远之。 【材料三】 鸟类也许不小心吃到了蜂类，被蜇伤到口腔黏膜，就会对这种明显的黄黑相间的花纹产生极其深刻的印象，下一次就会避免取食这种蜂类。有一种访花蝇，自身是无毒的，它模拟蜂类的形态，身上也具有明显的黄黑相间的花纹，借此躲过鸟类的捕食。 材料一：&& ①&&
材料二：&& ②&&
材料三：&& ③&&
昆虫的拟态 为了获得生存的机会，各种形态的昆虫伪装成自然界里的万物，隐蔽自己，吓跑敌人，或者方便自身取食，这就是昆虫的拟态。 自然界里昆虫的拟态类型很多，主要有贝茨氏拟态和米勒式拟态以及进攻性拟态等几种类型。 1862年，英国博物学家H&W&贝茨在研究蝴蝶时提出的可食性物种模拟有毒、有刺或味道不佳的不可食物种的拟态现象。贝茨氏拟态中的被拟者分布广、数量众多、显眼并具有不可食性或其他保护方式。拟者和被拟者经常生活在同一地区和时间，这样捕食者便难以将两者分清。最典型的例子是北美一种适合捕食者口味的蝴蝶模仿另一种不适口或不可食的蝴蝶，鸟类不取食有毒的蝴蝶，从而也会避免去取食无毒但是花纹酷似有毒蝴蝶的无毒蝴蝶。 米勒氏拟态是两种具有警戒色的不可食物种互相模拟的拟态现象。1878年，由德国动物学家弗里兹&米勒提出，故名。比如，蜜蜂和黄蜂之间彼此相似。米勒解释说，因鸟类必须通过亲身尝试才能得知某种昆虫不适口，几种均不适口的昆虫形色相似，这样鸟类一旦吃到一种不适口的昆虫，另一种具有类似形态的不适口昆虫也不会再遭到捕猎，从而有效地降低了死亡率。 进攻性拟态就是模仿其他生物以便于接近进攻对象的拟态。例如螳螂会模拟兰花或者其他花朵的样子，待昆虫大摇大摆飞来采蜜或者停留的时候把它吃掉，而这个被吃掉的虫子到死也不知道自己究竟是怎么死的。螳螂的模拟水平之高，可见一斑。
18．结合文章内容，说说文中划线语句不能删去的两条主要理由。（2分） &&&&& 答：&&&&&&&&&&&&&&&&&&
19．根据选文内容，判断下面三则材料介绍的昆虫拟态分别属于哪一种类型，并结合材料内容作简要说明。（6分） 【材料一】 有一种雌性萤火虫能够模拟多达11种萤火虫的发光方式，利用这种光亮来吸引前来求偶的其他种类的雄性萤火虫上钩，然后大口吃掉。 【材料二】 北美有两种有毒的帝王蝴蝶，色彩鲜艳，长得很像，还可以彼此模仿对方的花纹，真真假假、假假真真，令捕食者眼花缭乱，难以区分，只好统统敬而远之。 【材料三】 鸟类也许不小心吃到了蜂类，被蜇伤到口腔黏膜，就会对这种明显的黄黑相间的花纹产生极其深刻的印象，下一次就会避免取食这种蜂类。有一种访花蝇，自身是无毒的，它模拟蜂类的形态，身上也具有明显的黄黑相间的花纹，借此躲过鸟类的捕食。 材料一：&& ①&&
材料二：&& ②&&
材料三：&& ③&&
精英家教网新版app上线啦！用app只需扫描书本条形码就能找到作业，家长给孩子检查作业更省心，同学们作业对答案更方便，扫描上方二维码立刻安装！
请输入姓名
请输入手机号Google的深度神经网络强在哪里？谷歌首席科学家说了这些奇妙的特性
稿源：雷锋网
按：作者董飞，数据科学家，微信公号“董老师在硅谷”。写在前面日，谷歌首席科学家，MapReduce、BigTable等系统的创造者，Jeff Dean受邀韩国大学，演讲主题《大规模深度学习》，这里部分来自highscalability的文字和笔者Youtube上的听录。刚好演讲在AlphaGo和李世石比赛之前，观众也问了他的预测，他只是说训练了5个月的机器跟顶尖高手的差距不好说；还有人问道他喜欢的编程语言（C++爱恨交织，喜欢Go的简洁，Sawzall才是真爱）；在Google作为首席一天是怎么过的（要吃好早饭，到处闲逛闲聊，找到那些每个领域专家一起攻克难题）。| 整合意味着理解如果你不理解信息中的奥秘，那么你也很难去组织它。Jeff Dean是Google系统架构组院士，在讲座：“大规模深度学习构建智能计算机系统”中提到这句和Google的使命：整合全球信息，使人人皆可访问并从中受益。早期他们通过收集，清理，存储，索引，汇报，检索数据完成“整合”的工作，当Google完成这个使命，就去迎接下一个挑战。理解是什么含义？看到这张图，你马上知道是小宝宝抱着泰迪熊睡觉。而看到下张街景，马上意识到纪念品店里面有打折信息。其实直到最近，计算机才可以提取图片中的信息。如果想从图像去解释物理世界，计算机需要去选择跟那些感兴趣的点，阅读文字并去真正理解。像下面的文字“car parts for sale”，传统的Google通过关键字匹配来给出结果，但更好的匹配是第二个。这是一个需求深度理解的过程，而不能停留在字面，要去做一个优秀搜索和语言理解产品。| Google的深度神经网络历史Google跟其他公司的不同是，2011年就开始Google大脑计划，当时想通过使用神经网络来提升技术水准，但并没有把研究做成像大学象牙塔那种，而是结合安卓，Gmail，图片去改进产品解决真正问题。这对其他公司也是很好的借鉴，把研究和员工工作结合起来。神经网络老早就开始研究，上世纪60年代发明，在80年代和90年代早期也流行过，后来又不火了。两个原因：缺少计算能力去训练数据模型，这样也不能用来做更大规模的问题；2）缺少大量有效的数据集。而Google通过算法的力量，在加上他们强大的基础架构，海量数据集创造了AI的绝佳温床。深度学习一开始从少数的产品组开始，一段时间后反响很好，能解决之前不能做的，就更多的团队开始采纳。使用深度学习的产品有：安卓，Apps，药品发现，Gmail，图片理解，地图，自然语言，图片，机器人，语音翻译等。深度学习能应用到很多领域原因是那些通用模块：语音，文字，搜索词，图片，视频，标签，实体，短语，音频特性。输入一类信息，决定你想要的输出，收集训练数据作为你想要计算的潜在函数，然后就放手不管了。模型很赞的原因是因为灌了很多原始形式的数据。你不需要教工程师很多特征点，模型的力量在于从观察一些例子就能自动识别数据中的有用信息。| 深度神经网络是什么？神经网络就是一些从数据提炼的复杂函数。从一个空间输入在转化为另一个空间的输出。这里的函数不是像平方，而是真正复杂的函数。当你给出一些原始像素，比如猫，而输出就是对象的类别。深度学习中的“深度”指的是&神经网络中的层数。这个系统的良好性质是一组简单的可以训练的数学函数集合。深度神经网络适用于很多机器学习风格。比如你给输入一张猫的图片，输出是人工标记的猫图片，这是监督学习。你把很多这样监督样本给系统，让它去学习近似的函数，如同从监督样本中观察出来的。还有一种是非监督学习，给出一个图片，你也不知道里面是啥，系统可以学习去寻找在很多图片中出现的模式。这样即使不认识图片，它也能识别所有的图片中都有一只猫。增强学习也适用，这也是AlphaGo用到的技术。| 什么是深度学习？深度网络模型是类似于大脑行为的原理。但不是具体模拟神经元如何工作。而是一种简单抽象的神经元版本。神经元有一组输入。真正神经元会有不同的强度的输入。在人工智能网中试图去学习到这些边上的权重，去加强不同输入的联系。真正神经元通过输入和强度的组合去决定要不要生成脉冲。人工神经元不会产生脉冲，但会生成一个数值。神经元的函数就是通过非线性函数计算输入的加权乘以权重之和。典型的非线性函数就是整形线性单元（max(0, x))，在90年代很多非线性函数是很平缓的sigmoid()函数或者tanh()函数。但对于神经元来说产生的数值是不是更接近0对优化系统更有利。比如如果神经元有3个输入 X1, X1, X3，权重分别是 -0.21, 0.3, 0.7,计算就是y = max(0, -.0.21*x1 + 0.3*x2 + 0.7*x3)。为了决定图片到底是猫还是狗，这个图片要经过很多层。这些神经元根据输入来产生下一步。最低层的神经元会查看像素的小块。更高层的神经元会看下层神经元的输出再决定是否生产。这个模型也会错，比如说这里是猫，但事实上是狗。那么做错误决定的信号就会返回到系统中做调整，让剩余的模型在下一次查看图片时候，更可能输出狗。这就是神经网络的目标，通过模型小步调整边的权重让它更可能去得到正确答案。你可以通过所有样本去聚合，这样可以降低错误率。学习算法其实比较简单，如下：选择随机训练样本“（输入，标签）”，比如上面猫图和想要的输出标签，‘猫’运行神经网络，在输入上去查看它产生的。调整边的权重让最后输出更接近于“标签”上的。如何调整边的权重去保障输出更接近于标签呢？&&& & & & & &反向传播：积分的链式规则在决定高层神经网络中使用，如果选择是猫而不是狗呢？得想办法去调整高层的权重去让它更可以决定是“狗”。根据箭头方向和权重去让它更可能说是狗。不要步子迈得太大因为这种表面很复杂，微调一小步让它下次更可能给出狗的结果。通过很多迭代以及查看例子，结果更可能会是狗。通过这个链式法则去理解底层参数改变是如何影响到输出的。说白了就是网络变化回路反馈到输入，使得整个模型更适应去选择“狗”。权重的微调真正神经网络通过亿级的参数在亿级的维度做调整，去理解输出网络。Google目前有能力如何快速搭建和训练这些海量数据上的模型，去解决实际问题，在快速去不同广泛的平台去部署生产模型（手机，传感器，云端等）。| 神经网络的奇妙特性这就是说神经网络可以用在很多不同问题上。文本：万亿级别的英文和其他语言资料。从一个语言翻译到另一个，从短语到整句。虚拟化数据：十亿级别的图谱，视频。语音：每天都产生万小时的资料。用户行为：&很多应用产生数据。比如搜索引擎的查询，用户在email中标记垃圾。这些都可以学习并搭建智能系统。知识图谱：十亿级别的标签化关系元组。如果吸收更多数据，让模型变大，结果也更好。如果你输入更多数据，但没有把模型变大，模型的能力就会受限在一些数据集中的明显特征。通过增加模型的规模，让它不仅记住明显的，还有一些也许出现很少的细微特征。通过更大的模型，更多数据，计算需求也更大。Google很多精力花在如何提升计算量，训练更大的模型。| 在Google深度学习有哪些强大应用？1、语音识别第一个部署深度神经网络的小组。他们实现的新模型基于神经网络而不是隐马尔可夫模型。这个问题是把从150毫秒的语音去预测中间10毫秒吞掉的声音。比如到底是ba还是ka的声音。你得到一个预测的序列，再通过语言模型去理解用户所说。一开始的版本就把识别错误率降低了30%，确实非常厉害。后来就研究一些复杂模型去加强网络，进一步降低错误率。现在当你对着电话说话，语音识别比五年前强多了。2、ImageNet挑战ImageNet是6年前公布的。里面有100万张图片，算是计算机视觉领域最大的。图片中包含1000种不同分类，每一类有1000张图片。比如里面有上千张不同的豹子，摩托车等，一个麻烦的是不是所有的标签都是对的。在神经网络使用之前，最好的错误记录是26%，2014年 Google错误率暴降到6.66%取得冠军，然后到了2015年错误率下降到3.46%。这是什么概念，大家注意到Andrej人类的错误率也有5.1%（他还是花了24小时训练后的结果）。总之这是个又大又深的模型，每个盒子就像神经元的一层去进行卷积操作。3、图片类别识别计算机在花卉识别上很强大，这是非常好的模型，能够识别细微差别。一般的效果，比如在菜品识别。计算机也有犯错的时候，关于错误敏感性看一看上面的，比如左边鼻涕虫当成蛇，右边也不知道是什么鬼。4、Google图片搜索就是理解图片中像素的能力，Google图片团队开发了不用标签就可以搜索图片的功能。比如你可以去找雕像，素描，水，而不需提前标注。5、街景图像在街景中如何识别里面的文字。首先要找到文字部分，模型能够去有效预测像素中热点图，那些含有文字的像素点。训练的数据就是包含文字划分的多边形。因为训练数据中包括不同的字符集，这样在多语言下也没问题。也要考虑大小字体，远近，不同颜色。训练的模型相对容易，就是卷积神经网络尝试去预测每个像素是否包括文字。6、Google搜索排名中RankBrainRankBrain&2015年启动，在搜索排名（前100位排第三），里面难点是搜索排序需要了解模型，要理解为什么要做某个决定。当系统发生错误为什么做那个。调试工具准备好，需要足够的理解能力嵌入模型，去避免主观。总体上是不想手工调参数。你需要尝试理解模型中的预测，去理解训练数据是否相关，是否跟问题无关？你需要训练数据并应用到别的上面。通过搜索查询的分布你能得到每天的变化，事件发生后改变也随时发生。你要看分布是否稳定，比如语音识别，一般人不会改变音色。当查询和文档内容频繁变化，你要保证模型是新的。我们要搭建通用工具去理解神经网络里面发生了什么，解释什么导致这个预测。序列模型很多问题都可以映射到从一个序列到另一个序列的规律。比如语言翻译，从英语翻译到法语，就是把英语的序列单词转化到法语序列单词。神经网络在学习复杂函数时特别有用，这个模型学习从英文到法文的句子。句子以单词为单位，以结束符作为信号。训练模型在遇到结束符时开始产生另一个语言的对应句子。而模型函数就是把语言中语句对作为训练数据。每一步都在词典表中的单词产生概率分布。在推理时候通过一些搜索来实现，如果你最大化每个单词的概率，这样找的不是最可能的句子。直到找到最大可能的句子找到才结束搜索。这个系统在公开翻译系统中表现出色。大多数其他翻译系统需要手工编码或机器学习的模型只是在一小部分使用，而不是像这种整体的端到端的学习系统。这些领域都是可以归到序列类的方法。7、智能回复智能回复是另一个序列类的例子。在手机上你如何更快回复邮件，打字很累。Gmail组开发了一个系统能够去预测邮件回复。第一步就是训练小量模型去预测如果消息是某一类的，如何做简短回复。如果是一个更大，计算能力更强的模型会把消息作为一个序列，尝试预测序列的反应词。比如对于感恩节邀请，最可能的三个答复是“算上我们”，“我们会去的”，“对不起，我们有事没发去”8、看图说话把之前开发的图片模型与序列类模型结合一起。图片模型作为输入。这里就不是阅读英文句子了，而是看图片的像素。接下来就是训练生成字幕。训练集有5个由不同的人写的不同的字幕。总共100万图片，70万条语句。效果如下两个模型翻译的都不错：1）一个小孩紧紧的抱住毛绒玩具；2）一个宝宝在泰迪熊旁边睡着了。上面是一些好玩的出错语句，为啥会错，其实你自己看了也明白。9、机器视觉和翻译结合翻译团队写了一个app，使用计算机视觉来识别镜头中文字，再翻译成文本，最后再图片本身覆盖翻译好的文字。模型足够小可以运行在所有设备上。直接在手机上跑一些模型中的重要方法。智能化将转移到设备端，这样不会依赖远程云端的大脑。研究上的努力和成果转化Google 非常在乎研究转化效率。就是要快速训练模型，理解那些做的好的和不好的，再想下一步实验。模型应该再分钟或者小时，而不是几天或者几周。这样让每个人都做研究更高效。机器学习发展会更好，更快。Jeff说机器学习社区发展得特别快。人们发布了一篇论文，一周内就有很多研究小组跟进，下载阅读，理解实现，再发布他们自己的扩展。这跟以前的计算机期刊投稿完全不同，等6个月才知道是否被接收，然后再过3个月最后发表。而现在把时间从一年压缩到一周，真不得了。如何快速训练大量模型模型的并行化神经网络有很多固有的并行化，所有不同的神经元与其他的也是保持独立，特别本地接纳的，神经元仅仅接受一小部分比它更低的神经元作为输入。在不同的GPU上和不同机器上可以做并行。只有边界上的数据需要通信。数据并行化优化的模型参数集不应该在一台机器上或者一台中心服务器上，应该有多个模型拷贝，这样协作区优化参数。在训练过程中读取数据的不同随机部分。每一个拷贝在模型中获取当前的参数集，读取在当前梯度下的一点数据，找到想要的参数调整，在发送调整到中心的参数服务器中。这个参数服务器会对参数做调整。整个过程重复，这个也会在很多拷贝中进行。有些使用500份在500台不同机器上的拷贝，为了快速优化参数并处理大量数据。一种方式是异步的，每一个都有自己的循环，取得参数，计算梯度，发送它们，不需要任何控制和跟其他的同步，不好的是当梯度返回到参数可能在计算结束后都被移走了。对有些例子可能有50到100的拷贝。还有一种是同步，一个控制器控制所有的拷贝。|&TensorFlow在过去的几年间，我们已经建立了两代用于训练和部署神经网络的计算机系统，并且将这些系统应用于解决很多在传统上来说对计算机而言很难的问题。我们对许多这些领域的最新技术做了很大的改进。第一代系统DistBeliet在可扩缩性上表现很好，但在用于研究时灵活性达不到预期。对问题空间的更深理解让我们可以做出一些大幅度的简化。这也是第二代系统的研发动机，用 TensorFlow 表达高层次的机器学习计算。它是C++语言编写的核心，冗余少。而不同的前端，现有Python和C++前端，添加其他语言的前端也不是难题。计算可以用一张数据流图来理解。我们输入数据、权重、误差以及标签，在不同节点进行不同的运算。TensorFlow名字的意义Tensor（张量）意味着N维数组。1维时就是向量，2维时就是矩阵；通过图像可以代表更高维的数据流，比如，图像可以用三维张量（行，列，颜色）来表示。Flow（流）意味着基于数据流图的计算。有许多运算（图中的节点）应用在数据流上。张量从图象的一端流动到另一端，这就是“TensorFlow”。“边”代表张量（数据），节点代表运算处理。这是使用张量计算的示意图。这是使用状态计算的示意图。这是使用分布式计算的示意图。它能够在各个平台上自动运行模型：电话上，单个机器上（CPU或GPU），由成百上千的GPU卡组成的的分布式系统。如果你还没想通过深度学习网络去解决你的数据问题，你还是要赶紧考虑。TensorFlow 让每个人更容易获取深度学习能力。高度扩展的设计，更快的实验速度加速研究进程容易分享模型，开发代码应用到可重用的效果通过同一个系统把研究工作直接用于生产环境最后说一些quora上大家给Jeff Dean大神编的段子，供君一乐：Jeff Dean当初面试Google时，被问到“如果P=NP能够推导出哪些结论”，Jeff回答说：“P = 0或者N = 1”。而在面试官还没笑完的时候，Jeff检查了一下Google的公钥，然后在黑板上写下了私钥。编译器从不警告Jeff Dean，只有Jeff警告编译器。Jeff Dean的编码速度在2000年底提高了约40倍，因为他换了USB2.0的键盘。Jeff Dean被迫发明了异步API因为有一天他把一个函数优化到在调用前就返回结果了。Jeff Dean曾经写过一个O(n2)算法，那是为了解决旅行商问题。Jeff Dean的键盘只有两个键，1和0。Jeff Dean失眠的时候，就Mapreduce羊。参考文章：Jeff Dean on Large-Scale Deep Learning at Google。
有好的文章希望站长之家帮助分享推广，猛戳这里
本网页浏览已超过3分钟，点击关闭或灰色背景，即可回到网页