Forstærkningslæring adskiller sig fra overvåget læring ved ikke at have behov for mærket input/output-par præsenteres og ikke behov for suboptimale handlinger, der skal rettes eksplicit. I stedet er fokus på at finde en balance mellem udforskning (af ukendt territorium) og udnyttelse (af nuværende viden).

Miljøet er typisk angivet i form af en Markov-beslutningsproces (MDP), fordi mange forstærkningsindlæringsalgoritmer i denne sammenhæng bruger dynamiske programmeringsteknikker. Hovedforskellen mellem de klassiske dynamiske programmeringsmetoder og forstærkningsindlæringsalgoritmer er, at sidstnævnte ikke antager kendskab til en nøjagtig matematisk model af MDP, og de målretter mod store MDP'er, hvor nøjagtige metoder bliver umulige.

På grund af dets almindelighed studeres forstærkningslæring i mange discipliner, såsom spilteori, kontrolteori, operationsforskning, informationsteori, simuleringsbaseret optimering, multi-agent-systemer, sværmintelligens og statistik. I operationsforskning og kontrollitteratur kaldes forstærkningslæring omtrentlig dynamisk programmering eller neurodynamisk programmering. Problemerne med interesse for forstærkningslæring er også blevet undersøgt i teorien om optimal kontrol, som hovedsagelig vedrører eksistensen og karakteriseringen af ​​optimale løsninger og algoritmer til deres nøjagtige beregning og mindre med læring eller tilnærmelse, især i fravær af en matematisk model for miljøet. I økonomi og spilteori kan forstærkningslæring bruges til at forklare, hvordan ligevægt kan opstå under begrænset rationalitet.

Grundlæggende forstærkning modelleres som en Markov-beslutningsproces (MDP). I matematik er en Markov-beslutningsproces (MDP) en diskret stokastisk kontrolproces. Det giver en matematisk ramme til modellering af beslutningstagning i situationer, hvor resultaterne dels er tilfældige og dels under kontrol af en beslutningstager. MDP'er er nyttige til at studere optimeringsproblemer løst via dynamisk programmering. MDP'er var kendt mindst så tidligt som i 1950'erne. En grundlæggende undersøgelse af Markovs beslutningsprocesser var resultatet af Ronald Howards 1960-bog, Dynamic Programming og Markov Processes. De bruges i mange discipliner, herunder robotik, automatisk kontrol, økonomi og fremstilling. Navnet på MDP'er kommer fra den russiske matematiker Andrey Markov, da de er en udvidelse af Markov-kæder.

Ved hvert tidstrin er processen i en eller anden tilstand S, og beslutningstageren kan vælge enhver handling a, der er tilgængelig i tilstand S. Processen reagerer ved næste trin ved tilfældigt at flytte ind i en ny tilstand S 'og give beslutningstager en tilsvarende belønning Ra (S, S ').

Sandsynligheden for, at processen bevæger sig i sin nye tilstand S ', påvirkes af den valgte handling a. Specifikt er det givet af tilstandsovergangsfunktionen Pa (S, S '). Således afhænger den næste tilstand S 'af den aktuelle tilstand S og beslutningstagerens handling a. Men givet S og a er det betinget uafhængigt af alle tidligere stater og handlinger. Med andre ord tilfredsstiller statsovergange af en MDP Markov-ejendommen.

Markovs beslutningsprocesser er en udvidelse af Markov-kæder; forskellen er tilføjelsen af ​​handlinger (tillader valg) og belønninger (giver motivation). Omvendt, hvis der kun findes en handling for hver stat (f.eks. "Vent") og alle belønninger er de samme (f.eks. "Nul"), reduceres en Markov-beslutningsproces til en Markov-kæde.

En forstærkende læringsagent interagerer med sit miljø i diskrete tidstrin. Ved hver gang t modtager agenten den aktuelle tilstand S (t) og belønning r (t). Derefter vælger en handling a (t) fra det sæt tilgængelige handlinger, som derefter sendes til miljøet. Miljøet bevæger sig til en ny tilstand S (t + 1), og belønningen r (t + 1) tilknyttet overgangen bestemmes. Målet med en forstærkende læringsagent er at lære en politik, der maksimerer den forventede kumulative belønning.

Formuleringen af ​​problemet som en MDP forudsætter, at agenten direkte overholder den aktuelle miljøtilstand. I dette tilfælde siges det, at problemet har fuld observerbarhed. Hvis agenten kun har adgang til en delmængde af tilstande, eller hvis de observerede tilstande er ødelagt af støj, siges det, at agenten har delvis observerbarhed, og formelt skal problemet formuleres som en delvist observerbar Markov-beslutningsproces. I begge tilfælde kan det handlingssæt, der er tilgængeligt for agenten, begrænses. F.eks. Kan tilstanden for en kontosaldo være begrænset til at være positiv; hvis tilstandens aktuelle værdi er 3, og tilstandsovergangen forsøger at reducere værdien med 4, er overgangen ikke tilladt.

Når agentens ydeevne sammenlignes med en agent, der fungerer optimalt, giver forskellen i ydeevne begrebet beklagelse. For at kunne handle næsten optimalt skal agenten begrunde de langsigtede konsekvenser af sine handlinger (dvs. maksimere fremtidig indkomst), skønt den øjeblikkelige belønning, der er forbundet med dette, kan være negativ.

Således er forstærkningslæring særdeles velegnet til problemer, der inkluderer en langsigtet kontra kortvarig belønning. Det er blevet anvendt med succes til forskellige problemer, herunder robotstyring, elevatorplanlægning, telekommunikation, backgammon, brikker og Go (AlphaGo).

To elementer gør forstærkningslæring kraftig: brugen af ​​prøver til at optimere ydeevnen og brugen af ​​funktionstilnærmelse til at håndtere store miljøer. Takket være disse to nøglekomponenter kan forstærkningslæring bruges i store miljøer i følgende situationer:

• En miljømodel er kendt, men en analytisk løsning er ikke tilgængelig.
• Kun en simulationsmodel af miljøet er givet (emnet for simuleringsbaseret optimering).
• Den eneste måde at indsamle oplysninger om miljøet på er at interagere med det.

De to første af disse problemer kunne betragtes som planlægningsproblemer (da en eller anden form for model er tilgængelig), mens den sidste kunne betragtes som et ægte læringsproblem. Imidlertid konverterer forstærkningslæring begge planlægningsproblemer til maskinlæringsproblemer.

Efterforskning mod udnyttelse af kompromis er blevet undersøgt mest grundigt gennem det flerarmede banditproblem og for endelige statsrums-MDP'er i Burnetas og Katehakis (1997).

Forstærkningslæring kræver kloge efterforskningsmekanismer; tilfældig valg af handlinger uden henvisning til en estimeret sandsynlighedsfordeling viser dårlig ydeevne. Sagen om (små) endelige Markov-beslutningsprocesser forstås relativt godt. På grund af manglen på algoritmer, der skalerer godt med antallet af tilstande (eller skalerer til problemer med uendelige tilstandsrum), er enkle udforskningsmetoder imidlertid de mest praktiske.

Selvom spørgsmålet om efterforskning ignoreres, og selvom staten var observerbar, er problemet stadig at bruge tidligere erfaringer til at finde ud af, hvilke handlinger der fører til højere kumulative belønninger.

Kunstige neurale netværk (ANN'er) blev inspireret af informationsbehandling og distribuerede kommunikationsknudepunkter i biologiske systemer. Adjektivet "dyb" i dyb læring henviser til brugen af ​​flere lag i netværket. Tidligt arbejde viste, at en lineær perceptron ikke kan være en universel klassifikator, og at et netværk med en ikke-polynomisk aktiveringsfunktion med et skjult lag af ubegrænset bredde på den anden side kan være det. Dyb læring er en moderne variation, der vedrører et ubegrænset antal lag af afgrænset størrelse, som muliggør praktisk anvendelse og optimeret implementering, samtidig med at den teoretiske universalitet bevares under milde forhold. I dyb læring får lagene også lov til at være heterogene og afvige meget fra biologisk informerede forbindelsesmodeller af hensyn til effektivitet, træneevne og forståelighed, hvorfra den "strukturerede" del.

TensorFlow blev udviklet af Google Brain-teamet til intern Google-brug. Den blev frigivet under Apache License 2.0 i 2015.

Fra 2011 byggede Google Brain DistBelief som et proprietært maskinlæringssystem baseret på neurale netværk med dyb læring. Dets anvendelse voksede hurtigt på tværs af forskellige Alfabet-virksomheder inden for både forskning og kommercielle applikationer. Google tildelte flere computerforskere, herunder Jeff Dean, til at forenkle og omforme kodebasen for DistBelief til et hurtigere og mere robust applikationsniveau-bibliotek, der blev TensorFlow. I 2009 havde holdet, ledet af Geoffrey Hinton, implementeret generaliseret backpropagation og andre forbedringer, som tillod generering af neurale netværk med væsentligt højere nøjagtighed, for eksempel en 25% reduktion i fejl i talegenkendelse.

TensorFlow er Google Brains andengenerationssystem. Version 1.0.0 blev udgivet den 11. februar 2017. Mens referenceimplementeringen kører på enkelte enheder, kan TensorFlow køre på flere CPU'er og GPU'er (med valgfri CUDA- og SYCL-udvidelser til generel beregning på grafikbehandlingsenheder). TensorFlow er tilgængelig på 64-bit Linux, macOS, Windows og mobile computerplatforme inklusive Android og iOS. Dens fleksible arkitektur giver mulighed for nem implementering af beregning på tværs af forskellige platforme (CPU'er, GPU'er, TPU'er) og fra desktops til klynger af servere til mobile enheder og edge-enheder. TensorFlow-beregninger udtrykkes som stateful dataflowgrafer. Navnet TensorFlow stammer fra de operationer, som sådanne neurale netværk udfører på multidimensionelle dataarrays, der kaldes tensorer. Under Google I/O-konferencen i juni 2016 sagde Jeff Dean, at 1,500 arkiver på GitHub nævnte TensorFlow, hvoraf kun 5 var fra Google. I december 2017 introducerede udviklere fra Google, Cisco, RedHat, CoreOS og CaiCloud Kubeflow på en konference. Kubeflow tillader drift og implementering af TensorFlow på Kubernetes. I marts 2018 annoncerede Google TensorFlow.js version 1.0 til maskinlæring i JavaScript. I januar 2019 annoncerede Google TensorFlow 2.0. Den blev officielt tilgængelig i september 2019. I maj 2019 annoncerede Google TensorFlow Graphics til dyb læring i computergrafik.

Kvantecomputering begyndte i begyndelsen af ​​1980'erne, da fysikeren Paul Benioff foreslog en kvantemekanisk model af Turing-maskinen. Richard Feynman og Yuri Manin foreslog senere, at en kvantecomputer havde potentialet til at simulere ting, som en klassisk computer ikke kunne. I 1994 udviklede Peter Shor en kvantealgoritme til factoring af heltal, der havde potentiale til at dekryptere RSA-krypteret kommunikation. På trods af igangværende eksperimentelle fremskridt siden slutningen af ​​1990'erne, mener de fleste forskere, at "fejltolerant kvanteberegning stadig er en ret fjern drøm." I de senere år er investeringerne i forskning i kvantecomputer steget i både den offentlige og den private sektor. Den 23. oktober 2019 hævdede Google AI i partnerskab med US National Aeronautics and Space Administration (NASA) at have udført en kvanteberegning, der er umulig på enhver klassisk computer (såkaldt quantum supremacy result).

Der er flere modeller af kvantecomputere (eller rettere kvantecomputersystemer), herunder kvantekredsløbsmodellen, kvanteturingmaskine, adiabatisk kvantecomputer, envejs kvantecomputer og forskellige kvantecelleautomater. Den mest anvendte model er kvantekredsløbet. Kvantekredsløb er baseret på kvantebiten eller "qubit", som er noget analog med biten i klassisk beregning. Qubits kan være i kvantetilstand 1 eller 0, eller de kan være i en superposition af tilstandene 1 og 0. Men når qubits måles, er resultatet af målingen altid enten 0 eller 1; sandsynligheden for disse to resultater afhænger af kvantetilstanden, som qubits var i umiddelbart før målingen.

Fremskridt hen imod opbygning af en fysisk kvantecomputer fokuserer på teknologier såsom transmoner, ionfælder og topologiske kvantecomputere, der sigter mod at skabe qubits af høj kvalitet. Disse qubits kan designes forskelligt, afhængigt af den fulde kvantecomputers computermodel, hvad enten kvantelogiske porte, kvanteudglødning eller adiabatisk kvanteberegning. Der er i øjeblikket en række væsentlige hindringer i vejen for konstruktion af nyttige kvantecomputere. Især er det vanskeligt at opretholde kvantetilstande for qubits, da de lider af kvantedekoherens og tilstandsfidelitet. Kvantecomputere kræver derfor fejlkorrektion. Ethvert beregningsproblem, der kan løses af en klassisk computer, kan også løses af en kvantecomputer. Omvendt kan ethvert problem, der kan løses af en kvantecomputer, også løses af en klassisk computer, i det mindste i princippet givet tilstrækkelig tid. Med andre ord adlyder kvantecomputere Church-Turing-afhandlingen. Mens dette betyder, at kvantecomputere ikke giver yderligere fordele i forhold til klassiske computere med hensyn til beregningsevne, har kvantealgoritmer for visse problemer betydeligt lavere tidskompleksiteter end tilsvarende kendte klassiske algoritmer. Især menes kvantecomputere at være i stand til hurtigt at løse visse problemer, som ingen klassisk computer kunne løse på nogen mulig tid - en bedrift kendt som "kvanteherredømme". Undersøgelsen af ​​beregningskompleksiteten af ​​problemer med hensyn til kvantecomputere er kendt som kvantekompleksitetsteori.

I 2019 afsluttede Sycamore en opgave på 200 sekunder, som Google hævdede, i et Nature-papir, at det ville tage en avanceret supercomputer 10,000 år at afslutte. Google hævdede således at have opnået kvanteoverherredømme. For at estimere den tid, som en klassisk supercomputer ville tage, kørte Google dele af kvantekredsløbssimuleringen på topmødet, den mest magtfulde klassiske computer i verden. Senere fremsatte IBM et modargument og hævdede, at opgaven kun ville tage 2.5 dage på et klassisk system som Summit. Hvis Googles krav opretholdes, vil det repræsentere et eksponentielt spring i computerkraft.

I august 2020 rapporterede kvanteingeniører, der arbejder for Google, den største kemiske simulering på en kvantecomputer - en Hartree-Fock-tilnærmelse med Sycamore parret med en klassisk computer, der analyserede resultaterne for at give nye parametre til 12-qubit-systemet.

I december 2020 opnåede den kinesiske fotonbaserede Jiuzhang-processor, udviklet af USTC, en processorkraft på 76 qubits og var 10 milliarder gange hurtigere end Sycamore, hvilket gjorde det til den anden computer, der opnåede kvanteoverherredømme.

Quantum AI Lab blev annonceret af Google Research i et blogindlæg den 16. maj 2013. På tidspunktet for lanceringen brugte Lab den mest avancerede kommercielt tilgængelige kvantecomputer, D-Wave Two fra D-Wave Systems.

Den 20. maj 2013 blev det meddelt, at folk kunne ansøge om at bruge tid på D-Wave Two på Lab. Den 10. oktober 2013 udgav Google en kortfilm, der beskriver den aktuelle tilstand for Quantum AI Lab. Den 18. oktober 2013 meddelte Google, at det havde indarbejdet kvantefysik i Minecraft.

I januar 2014 rapporterede Google resultater, der sammenlignede ydeevnen for D-Wave Two i laboratoriet med den for klassiske computere. Resultaterne var tvetydige og fremkaldte heftig diskussion på Internettet. Den 2. september 2014 blev det meddelt, at Quantum AI Lab, i partnerskab med UC Santa Barbara, ville lancere et initiativ til at skabe kvanteinformationsprocessorer baseret på superledende elektronik.

Den 23. oktober 2019 meddelte Quantum AI Lab i et papir, at det havde opnået kvanteoverherredømme.

Quantum computing anses for at hjælpe med at udvikle morgendagens innovationer, herunder AI. Derfor afsætter Google betydelige ressourcer til at opbygge dedikeret kvantehardware og -software.

Quantum computing er et nyt paradigme, der vil spille en stor rolle i at fremskynde opgaver for AI. Google sigter mod at tilbyde forskere og udviklere adgang til open source-rammer og computerkraft, der kan fungere ud over klassiske beregningsfunktioner.

De vigtigste fokusområder i Google AI Quantum er

• Superledende qubit-processorer: Superledende qubits med chipbaseret skalerbar arkitektur, der målretter to-qubit gate-fejl <0.5%.
• Qubit-metrologi: At reducere tab på to qubit under 0.2% er afgørende for fejlkorrektion. Vi arbejder på et kvante-overherredømme-eksperiment for at tilnærme prøve et kvantekredsløb ud over mulighederne i moderne klassiske computere og algoritmer.
• Kvantesimulering: Simulering af fysiske systemer er blandt de mest forventede anvendelser af kvantecomputering. Vi fokuserer især på kvantealgoritmer til modellering af interagerende elektroner med applikationer inden for kemi og materialevidenskab.
• Kvanteassisteret optimering: Vi udvikler hybrid kvante-klassiske solvere til omtrentlig optimering. Termiske spring i klassiske algoritmer for at overvinde energibarrierer kunne forbedres ved at påberåbe sig kvanteopdateringer. Vi er især interesserede i sammenhængende befolkningsoverførsel.
• Kvante neurale netværk: Vi udvikler en ramme til implementering af et kvante neuralt netværk på kortvarige processorer. Vi er interesserede i at forstå, hvilke fordele der kan opstå ved at generere massive superpositionstilstande under driften af ​​netværket.

De vigtigste værktøjer, der er udviklet af Google AI Quantum, er open source-rammer, der er specielt designet til at udvikle nye kvantealgoritmer til at hjælpe med at løse kortvarige applikationer til praktiske problemer. Disse inkluderer:

• Cirq: en open source-kvanteramme til opbygning og eksperimentering med støjende kvantealgoritmer (NISQ) på kortvarige kvanteprocessorer
• OpenFermion: en open source-platform til oversættelse af problemer inden for kemi og materialevidenskab til kvantekredsløb, der kan udføres på eksisterende platforme

Google AI Quantum-kortvarige applikationer inkluderer:

Kvantesimulering

Designet af nye materialer og belysning af kompleks fysik gennem nøjagtige simuleringer af kemi og kondenseret materiale er blandt de mest lovende anvendelser af kvanteberegning.

Fejlafhjælpningsteknikker

Vi arbejder på at udvikle metoder på vejen til fuld korrektionsfejlkorrektion, der har mulighed for dramatisk at reducere støj i nuværende enheder. Selvom fejltolerant kvanteberegning i fuld skala kan kræve en betydelig udvikling, har vi udviklet kvanteundersides udvidelsesteknikken for at hjælpe med at udnytte teknikker fra kvantefejlkorrektion for at forbedre ydeevnen for applikationer på nærtidsenheder. Desuden letter disse teknikker test af komplekse kvantekoder på kortvarige enheder. Vi skubber aktivt disse teknikker ind i nye områder og udnytter dem som grundlag for design af kortvarige eksperimenter.

Kvantemaskinelæring

Vi udvikler hybrid kvante-klassisk maskinlæringsteknikker på kortvarige kvanteenheder. Vi studerer universel kvantekredslæring for klassificering og gruppering af kvante- og klassiske data. Vi er også interesserede i generative og diskriminerende kvante neurale netværk, der kan bruges som kvante-repeatere og tilstandsrensningsenheder inden for kvantekommunikationsnetværk eller til verifikation af andre kvantekredsløb.

Kvanteoptimering

Diskrete optimeringer i luftfarts-, bil- og andre industrier kan drage fordel af hybrid kvante-klassisk optimering, for eksempel kan simuleret annealing, kvanteassisteret optimeringsalgoritme (QAOA) og kvanteforbedret befolkningsoverførsel have nytte med nutidens processorer.

Python er dynamisk skrevet (udfører ved kørsel mange almindelige programmeringsadfærd, som statiske programmeringssprog udfører under kompilering) og indsamles skrald (med automatisk hukommelsesstyring). Det understøtter flere programmeringsparadigmer, herunder struktureret (især procedurel), objektorienteret og funktionel programmering. Det blev oprettet i slutningen af ​​1980'erne og blev først udgivet i 1991 af Guido van Rossum som en efterfølger til ABC-programmeringssprog. Python 2.0, der blev udgivet i 2000, introducerede nye funktioner, såsom listeforståelse og et skraldopsamlingssystem med referencetælling, og blev afbrudt med version 2.7 i 2020. Python 3.0, udgivet i 2008, var en større revision af det sprog, der er ikke helt bagudkompatibel, og meget Python 2-kode kører ikke uændret på Python 3. Med Python 2s udtjente levetid (og pip er faldet i 2021), understøttes kun Python 3.6.x og senere, med ældre versioner stadig understøtter f.eks. Windows 7 (og gamle installatører, der ikke er begrænset til 64-bit Windows).

Python-tolke understøttes til almindelige operativsystemer og fås til nogle få flere (og tidligere understøttet mange flere). Et globalt samfund af programmører udvikler og vedligeholder CPython, en gratis implementering af open source-reference. En nonprofitorganisation, Python Software Foundation, administrerer og dirigerer ressourcer til Python og CPython-udvikling.

Fra januar 2021 rangerer Python på tredjepladsen i TIOBE's indeks over mest populære programmeringssprog, bag C og Java, efter at have tidligere opnået andenpladsen og deres pris for den mest populære vinding i 2020. Det blev valgt Årets programmeringssprog i 2007, 2010 og 2018.

En empirisk undersøgelse viste, at script-sprog, såsom Python, er mere produktive end konventionelle sprog, såsom C og Java, til programmeringsproblemer, der involverer strengmanipulation og søgning i en ordbog, og fastslog, at hukommelsesforbruget ofte var "bedre end Java og ikke meget værre end C eller C ++ ”. Store organisationer, der bruger Python, inkluderer bl.a. Wikipedia, Google, Yahoo !, CERN, NASA, Facebook, Amazon, Instagram.

Ud over dets kunstige intelligensapplikationer bruges Python ofte som et script-sprog med modulær arkitektur, enkel syntaks og rich text-behandlingsværktøjer til naturlig sprogbehandling.

Google Cloud tilbyder to computervisionstjenester (fælles kaldet Vision AI), der bruger maskinindlæring til at forstå billeder og videoer med høj forudsigelsesnøjagtighed, dvs. AutoML Vision og Vision API. AutoML Vision automatiserer træning af de tilpassede maskinlæringsmodeller. Det muliggør upload af billeder og træning af brugerdefinerede billedmodeller med brugervenlig grafisk grænseflade; optimering af modellerne til nøjagtighed, ventetid og størrelse og eksportere dem til ethvert program i skyen eller til en række enheder i udkanten. På den anden side tilbyder Google Clouds Vision API kraftfulde foruddannede maskinlæringsmodeller gennem REST (Representational State Transfer) og RPC (Remote Procedure Call) API'er, der tildeler billeder etiketter og hurtigt klassificerer dem i millioner af foruddefinerede kategorier. Registrering af objekter og ansigter, læsning af udskrevet og håndskrevet tekst og opbygning af værdifulde metadata i billedkataloger. Du kan således bruge AutoML Vision til at udlede indsigt fra billeder i skyen eller ved kanten eller bruge de foruddannede Vision API-modeller til at opdage følelser, forstå tekst fra visuelle data og mere.

Med Google Cloud's Vision API er det muligt at:

• Registrer objekter: Registrer objekter, hvor de er, og hvor mange.
• Aktiver vision-produktsøgning: Sammenlign fotos med billeder i dit produktkatalog, og returner en rangliste med lignende emner.
• Registrer udskrevet og håndskrevet tekst: Brug OCR og identificer automatisk sprog.
• Registrer ansigter: Registrer ansigter og ansigtsegenskaber. (Ansigtsgenkendelse understøttes ikke.)
• Identificer populære steder og produktlogoer: Identificer automatisk kendte vartegn og produktlogoer.
• Tildel generelle billedattributter: Find generelle attributter og passende afgrødetip.
• Find webenheder og sider: Find nyhedshændelser, logoer og lignende billeder på nettet.
• Moderat indhold: Registrer eksplicit indhold (voksen, voldelig osv.) I billeder.
• Anerkendelse af berømthed: Identificer berømtheds ansigter i billeder (begrænset adgang, se dokumentation.)
• Klassificer billeder ved hjælp af foruddefinerede etiketter: Foruddannede modeller udnytter store biblioteker med foruddefinerede etiketter.
• Brug Googles datamærkningstjeneste: Google kan hjælpe med at kommentere billeder, videoer og tekst.
• Brug API'er: Brug REST- og RPC-API'er.

De mulige brugssager til Vision API er utallige.

For eksempel ved hjælp af Vision API kan du implementere vision-produktsøgning, så dine kunder kan finde produkter af interesse inden for billeder og visuelt søge i produktkataloger (billedsøgning, automatisk udpegede lignende produkter osv.).

Videoen ovenfor forklarer, hvordan Googles Cloud AutoML Vision bruger AI til at analysere billeder.

Et dobbelt AI-system, tæt knyttet til den foruddannede og konstant opgraderede Google Vision API, er Google AutoML Vision, der gør det muligt for virksomheder at bruge deres egne maskinlæringsmodeller og brugerdefineret træning til kunstig intelligensassistance i synsanalyse og forståelse. En del af Google Clouds machine learning-serie af produkter er designet til at hjælpe udviklere med begrænset ekspertise inden for maskinlæring med at træne tilpassede visionmodeller til deres specifikke brugssager. Har brug for on-demand adgang til den generelle foruddannede model, bør AI-udviklere bruge Google Vision API.

Kunstige neurale netværk (ANN'er) blev inspireret af informationsbehandling og distribuerede kommunikationsknudepunkter i biologiske systemer. Adjektivet "dyb" i dyb læring henviser til brugen af ​​flere lag i netværket. Tidligt arbejde viste, at en lineær perceptron ikke kan være en universel klassifikator, og at et netværk med en ikke-polynomisk aktiveringsfunktion med et skjult lag af ubegrænset bredde på den anden side kan være det. Dyb læring er en moderne variation, der vedrører et ubegrænset antal lag af afgrænset størrelse, som muliggør praktisk anvendelse og optimeret implementering, samtidig med at den teoretiske universalitet bevares under milde forhold. I dyb læring får lagene også lov til at være heterogene og afvige meget fra biologisk informerede forbindelsesmodeller af hensyn til effektivitet, træneevne og forståelighed, hvorfra den "strukturerede" del.

Python er dynamisk skrevet (udfører ved kørsel mange almindelige programmeringsadfærd, som statiske programmeringssprog udfører under kompilering) og indsamles skrald (med automatisk hukommelsesstyring). Det understøtter flere programmeringsparadigmer, herunder struktureret (især procedurel), objektorienteret og funktionel programmering. Det blev oprettet i slutningen af ​​1980'erne og blev først udgivet i 1991 af Guido van Rossum som en efterfølger til ABC-programmeringssprog. Python 2.0, der blev udgivet i 2000, introducerede nye funktioner, såsom listeforståelse og et skraldopsamlingssystem med referencetælling, og blev afbrudt med version 2.7 i 2020. Python 3.0, udgivet i 2008, var en større revision af det sprog, der er ikke helt bagudkompatibel, og meget Python 2-kode kører ikke uændret på Python 3. Med Python 2s udtjente levetid (og pip er faldet i 2021), understøttes kun Python 3.6.x og senere, med ældre versioner stadig understøtter f.eks. Windows 7 (og gamle installatører, der ikke er begrænset til 64-bit Windows).

Python-tolke understøttes til almindelige operativsystemer og fås til nogle få flere (og tidligere understøttet mange flere). Et globalt samfund af programmører udvikler og vedligeholder CPython, en gratis implementering af open source-reference. En nonprofitorganisation, Python Software Foundation, administrerer og dirigerer ressourcer til Python og CPython-udvikling.

Fra januar 2021 rangerer Python på tredjepladsen i TIOBE's indeks over mest populære programmeringssprog, bag C og Java, efter at have tidligere opnået andenpladsen og deres pris for den mest populære vinding i 2020. Det blev valgt Årets programmeringssprog i 2007, 2010 og 2018.

En empirisk undersøgelse viste, at script-sprog, såsom Python, er mere produktive end konventionelle sprog, såsom C og Java, til programmeringsproblemer, der involverer strengmanipulation og søgning i en ordbog, og fastslog, at hukommelsesforbruget ofte var "bedre end Java og ikke meget værre end C eller C ++ ”. Store organisationer, der bruger Python, inkluderer bl.a. Wikipedia, Google, Yahoo !, CERN, NASA, Facebook, Amazon, Instagram.

Ud over dets kunstige intelligensapplikationer bruges Python ofte som et script-sprog med modulær arkitektur, enkel syntaks og rich text-behandlingsværktøjer til naturlig sprogbehandling.

TensorFlow blev udviklet af Google Brain-teamet til intern Google-brug. Den blev frigivet under Apache License 2.0 i 2015.

Fra 2011 byggede Google Brain DistBelief som et proprietært maskinlæringssystem baseret på neurale netværk med dyb læring. Dets anvendelse voksede hurtigt på tværs af forskellige Alfabet-virksomheder inden for både forskning og kommercielle applikationer. Google tildelte flere computerforskere, herunder Jeff Dean, til at forenkle og omforme kodebasen for DistBelief til et hurtigere og mere robust applikationsniveau-bibliotek, der blev TensorFlow. I 2009 havde holdet, ledet af Geoffrey Hinton, implementeret generaliseret backpropagation og andre forbedringer, som tillod generering af neurale netværk med væsentligt højere nøjagtighed, for eksempel en 25% reduktion i fejl i talegenkendelse.

TensorFlow er Google Brains andengenerationssystem. Version 1.0.0 blev udgivet den 11. februar 2017. Mens referenceimplementeringen kører på enkelte enheder, kan TensorFlow køre på flere CPU'er og GPU'er (med valgfri CUDA- og SYCL-udvidelser til generel beregning på grafikbehandlingsenheder). TensorFlow er tilgængelig på 64-bit Linux, macOS, Windows og mobile computerplatforme inklusive Android og iOS. Dens fleksible arkitektur giver mulighed for nem implementering af beregning på tværs af forskellige platforme (CPU'er, GPU'er, TPU'er) og fra desktops til klynger af servere til mobile enheder og edge-enheder. TensorFlow-beregninger udtrykkes som stateful dataflowgrafer. Navnet TensorFlow stammer fra de operationer, som sådanne neurale netværk udfører på multidimensionelle dataarrays, der kaldes tensorer. Under Google I/O-konferencen i juni 2016 sagde Jeff Dean, at 1,500 arkiver på GitHub nævnte TensorFlow, hvoraf kun 5 var fra Google. I december 2017 introducerede udviklere fra Google, Cisco, RedHat, CoreOS og CaiCloud Kubeflow på en konference. Kubeflow tillader drift og implementering af TensorFlow på Kubernetes. I marts 2018 annoncerede Google TensorFlow.js version 1.0 til maskinlæring i JavaScript. I januar 2019 annoncerede Google TensorFlow 2.0. Den blev officielt tilgængelig i september 2019. I maj 2019 annoncerede Google TensorFlow Graphics til dyb læring i computergrafik.

Kunstige neurale netværk (ANN'er) blev inspireret af informationsbehandling og distribuerede kommunikationsknudepunkter i biologiske systemer. Adjektivet "dyb" i dyb læring henviser til brugen af ​​flere lag i netværket. Tidligt arbejde viste, at en lineær perceptron ikke kan være en universel klassifikator, og at et netværk med en ikke-polynomisk aktiveringsfunktion med et skjult lag af ubegrænset bredde på den anden side kan være det. Dyb læring er en moderne variation, der vedrører et ubegrænset antal lag af afgrænset størrelse, som muliggør praktisk anvendelse og optimeret implementering, samtidig med at den teoretiske universalitet bevares under milde forhold. I dyb læring får lagene også lov til at være heterogene og afvige meget fra biologisk informerede forbindelsesmodeller af hensyn til effektivitet, træneevne og forståelighed, hvorfra den "strukturerede" del.

Python er dynamisk skrevet (udfører ved kørsel mange almindelige programmeringsadfærd, som statiske programmeringssprog udfører under kompilering) og indsamles skrald (med automatisk hukommelsesstyring). Det understøtter flere programmeringsparadigmer, herunder struktureret (især procedurel), objektorienteret og funktionel programmering. Det blev oprettet i slutningen af ​​1980'erne og blev først udgivet i 1991 af Guido van Rossum som en efterfølger til ABC-programmeringssprog. Python 2.0, der blev udgivet i 2000, introducerede nye funktioner, såsom listeforståelse og et skraldopsamlingssystem med referencetælling, og blev afbrudt med version 2.7 i 2020. Python 3.0, udgivet i 2008, var en større revision af det sprog, der er ikke helt bagudkompatibel, og meget Python 2-kode kører ikke uændret på Python 3. Med Python 2s udtjente levetid (og pip er faldet i 2021), understøttes kun Python 3.6.x og senere, med ældre versioner stadig understøtter f.eks. Windows 7 (og gamle installatører, der ikke er begrænset til 64-bit Windows).

Python-tolke understøttes til almindelige operativsystemer og fås til nogle få flere (og tidligere understøttet mange flere). Et globalt samfund af programmører udvikler og vedligeholder CPython, en gratis implementering af open source-reference. En nonprofitorganisation, Python Software Foundation, administrerer og dirigerer ressourcer til Python og CPython-udvikling.

Fra januar 2021 rangerer Python på tredjepladsen i TIOBE's indeks over mest populære programmeringssprog, bag C og Java, efter at have tidligere opnået andenpladsen og deres pris for den mest populære vinding i 2020. Det blev valgt Årets programmeringssprog i 2007, 2010 og 2018.

En empirisk undersøgelse viste, at script-sprog, såsom Python, er mere produktive end konventionelle sprog, såsom C og Java, til programmeringsproblemer, der involverer strengmanipulation og søgning i en ordbog, og fastslog, at hukommelsesforbruget ofte var "bedre end Java og ikke meget værre end C eller C ++ ”. Store organisationer, der bruger Python, inkluderer bl.a. Wikipedia, Google, Yahoo !, CERN, NASA, Facebook, Amazon, Instagram.

Ud over dets kunstige intelligensapplikationer bruges Python ofte som et script-sprog med modulær arkitektur, enkel syntaks og rich text-behandlingsværktøjer til naturlig sprogbehandling.

PyTorch har to funktioner på højt niveau:

• Tensor computing (som NumPy) med stærk acceleration via grafikbehandlingsenheder (GPU)
• Dybe neurale netværk bygget på et båndbaseret automatisk (beregnings-) differentieringssystem

Facebook driver både PyTorch og Convolutional Architecture for Fast Feature Embedding (Caffe2), men modeller defineret af de to rammer var gensidigt uforenelige. Open Neural Network Exchange (ONNX) -projektet blev oprettet af Facebook og Microsoft i september 2017 til konvertering af modeller mellem rammer. Caffe2 blev fusioneret til PyTorch i slutningen af ​​marts 2018.

PyTorch definerer en klasse kaldet Tensor (torch.Tensor) til at gemme og operere på homogene flerdimensionelle rektangulære talrække. PyTorch Tensors ligner NumPy Arrays, men kan også betjenes på en CUDA-kompatibel Nvidia GPU. PyTorch understøtter forskellige undertyper af tensorer.

Der er få vigtige moduler til Pytorch. Disse inkluderer:

• Autograd-modul: PyTorch bruger en metode kaldet automatisk differentiering. En optager registrerer, hvilke operationer der er udført, og derefter afspilles den baglæns for at beregne gradienterne. Denne metode er især effektiv, når man bygger neurale netværk for at spare tid på en periode ved at beregne differentiering af parametrene ved fremadgående pass.
• Optim-modul: torch.optim er et modul, der implementerer forskellige optimeringsalgoritmer, der bruges til opbygning af neurale netværk. De fleste af de almindeligt anvendte metoder understøttes allerede, så der er ingen grund til at bygge dem fra bunden.
• nn-modul: PyTorch autograd gør det let at definere beregningsgrafer og tage gradienter, men rå autograd kan være lidt for lavt til at definere komplekse neurale netværk. Det er her, nn-modulet kan hjælpe.

Kunstige neurale netværk (ANN'er) blev inspireret af informationsbehandling og distribuerede kommunikationsknudepunkter i biologiske systemer. Adjektivet "dyb" i dyb læring henviser til brugen af ​​flere lag i netværket. Tidligt arbejde viste, at en lineær perceptron ikke kan være en universel klassifikator, og at et netværk med en ikke-polynomisk aktiveringsfunktion med et skjult lag af ubegrænset bredde på den anden side kan være det. Dyb læring er en moderne variation, der vedrører et ubegrænset antal lag af afgrænset størrelse, som muliggør praktisk anvendelse og optimeret implementering, samtidig med at den teoretiske universalitet bevares under milde forhold. I dyb læring får lagene også lov til at være heterogene og afvige meget fra biologisk informerede forbindelsesmodeller af hensyn til effektivitet, træneevne og forståelighed, hvorfra den "strukturerede" del.

Python er dynamisk skrevet (udfører ved kørsel mange almindelige programmeringsadfærd, som statiske programmeringssprog udfører under kompilering) og indsamles skrald (med automatisk hukommelsesstyring). Det understøtter flere programmeringsparadigmer, herunder struktureret (især procedurel), objektorienteret og funktionel programmering. Det blev oprettet i slutningen af ​​1980'erne og blev først udgivet i 1991 af Guido van Rossum som en efterfølger til ABC-programmeringssprog. Python 2.0, der blev udgivet i 2000, introducerede nye funktioner, såsom listeforståelse og et skraldopsamlingssystem med referencetælling, og blev afbrudt med version 2.7 i 2020. Python 3.0, udgivet i 2008, var en større revision af det sprog, der er ikke helt bagudkompatibel, og meget Python 2-kode kører ikke uændret på Python 3. Med Python 2s udtjente levetid (og pip er faldet i 2021), understøttes kun Python 3.6.x og senere, med ældre versioner stadig understøtter f.eks. Windows 7 (og gamle installatører, der ikke er begrænset til 64-bit Windows).

Python-tolke understøttes til almindelige operativsystemer og fås til nogle få flere (og tidligere understøttet mange flere). Et globalt samfund af programmører udvikler og vedligeholder CPython, en gratis implementering af open source-reference. En nonprofitorganisation, Python Software Foundation, administrerer og dirigerer ressourcer til Python og CPython-udvikling.

Fra januar 2021 rangerer Python på tredjepladsen i TIOBE's indeks over mest populære programmeringssprog, bag C og Java, efter at have tidligere opnået andenpladsen og deres pris for den mest populære vinding i 2020. Det blev valgt Årets programmeringssprog i 2007, 2010 og 2018.

En empirisk undersøgelse viste, at script-sprog, såsom Python, er mere produktive end konventionelle sprog, såsom C og Java, til programmeringsproblemer, der involverer strengmanipulation og søgning i en ordbog, og fastslog, at hukommelsesforbruget ofte var "bedre end Java og ikke meget værre end C eller C ++ ”. Store organisationer, der bruger Python, inkluderer bl.a. Wikipedia, Google, Yahoo !, CERN, NASA, Facebook, Amazon, Instagram.

Ud over dets kunstige intelligensapplikationer bruges Python ofte som et script-sprog med modulær arkitektur, enkel syntaks og rich text-behandlingsværktøjer til naturlig sprogbehandling.

TensorFlow blev udviklet af Google Brain-teamet til intern Google-brug. Den blev frigivet under Apache License 2.0 i 2015.

Fra 2011 byggede Google Brain DistBelief som et proprietært maskinlæringssystem baseret på neurale netværk med dyb læring. Dets anvendelse voksede hurtigt på tværs af forskellige Alfabet-virksomheder inden for både forskning og kommercielle applikationer. Google tildelte flere computerforskere, herunder Jeff Dean, til at forenkle og omforme kodebasen for DistBelief til et hurtigere og mere robust applikationsniveau-bibliotek, der blev TensorFlow. I 2009 havde holdet, ledet af Geoffrey Hinton, implementeret generaliseret backpropagation og andre forbedringer, som tillod generering af neurale netværk med væsentligt højere nøjagtighed, for eksempel en 25% reduktion i fejl i talegenkendelse.

TensorFlow er Google Brains andengenerationssystem. Version 1.0.0 blev udgivet den 11. februar 2017. Mens referenceimplementeringen kører på enkelte enheder, kan TensorFlow køre på flere CPU'er og GPU'er (med valgfri CUDA- og SYCL-udvidelser til generel beregning på grafikbehandlingsenheder). TensorFlow er tilgængelig på 64-bit Linux, macOS, Windows og mobile computerplatforme inklusive Android og iOS. Dens fleksible arkitektur giver mulighed for nem implementering af beregning på tværs af forskellige platforme (CPU'er, GPU'er, TPU'er) og fra desktops til klynger af servere til mobile enheder og edge-enheder. TensorFlow-beregninger udtrykkes som stateful dataflowgrafer. Navnet TensorFlow stammer fra de operationer, som sådanne neurale netværk udfører på multidimensionelle dataarrays, der kaldes tensorer. Under Google I/O-konferencen i juni 2016 sagde Jeff Dean, at 1,500 arkiver på GitHub nævnte TensorFlow, hvoraf kun 5 var fra Google. I december 2017 introducerede udviklere fra Google, Cisco, RedHat, CoreOS og CaiCloud Kubeflow på en konference. Kubeflow tillader drift og implementering af TensorFlow på Kubernetes. I marts 2018 annoncerede Google TensorFlow.js version 1.0 til maskinlæring i JavaScript. I januar 2019 annoncerede Google TensorFlow 2.0. Den blev officielt tilgængelig i september 2019. I maj 2019 annoncerede Google TensorFlow Graphics til dyb læring i computergrafik.

Indtil version 2.3 understøttede Keras flere backends, herunder TensorFlow, Microsoft Cognitive Toolkit, Theano og PlaidML. Fra og med version 2.4 understøttes kun TensorFlow. Den er designet til at muliggøre hurtig eksperimentering med dybe neurale netværk og fokuserer på at være brugervenlig, modulær og udvidelig. Det blev udviklet som en del af forskningsindsatsen i projektet ONEIROS (Open-ended Neuro-Electronic Intelligent Robot Operating System), og dets primære forfatter og vedligeholder er François Chollet, en Google-ingeniør. Chollet er også forfatter til XCeption Deep Neural Network Model.

Keras indeholder adskillige implementeringer af almindeligt anvendte neurale netværksbyggesten som lag, mål, aktiveringsfunktioner, optimeringsmidler og en lang række værktøjer, der gør det lettere at arbejde med billed- og tekstdata for at forenkle kodningen, der er nødvendig for at skrive dyb neuralt netværkskode. Koden er hostet på GitHub, og community-supportfora inkluderer siden GitHub-udgaver og en Slack-kanal.

Ud over standard neurale netværk har Keras understøttelse af sammenfaldende og tilbagevendende neurale netværk. Det understøtter andre almindelige hjælpelag som dropout, batch normalisering og pooling. Keras giver brugerne mulighed for at producere dybe modeller på smartphones (iOS og Android), på nettet eller på Java Virtual Machine. Det tillader også brug af distribueret træning af deep-learning-modeller på klynger af grafikbehandlingsenheder (GPU) og tensorbehandlingsenheder (TPU). Keras er blevet vedtaget til brug i videnskabelig forskning på grund af Python (programmeringssprog) og dets egen brugervenlighed og installation. Keras var det 10. mest citerede værktøj i KDnuggets 2018-softwareafstemning og registrerede 22% brug.

En delmængde af maskinindlæring er tæt knyttet til beregningsstatistik, der fokuserer på at forudsige brug af computere, men ikke al maskinindlæring er statistisk læring. Undersøgelsen af ​​matematisk optimering leverer metoder, teori og anvendelsesdomæner til maskinindlæring. Data mining er et beslægtet felt, der fokuserer på sonderende dataanalyse gennem ikke-overvåget læring. I sin anvendelse på tværs af forretningsproblemer kaldes maskinindlæring også som forudsigende analyse.

Maskinindlæringsmetoder er traditionelt opdelt i tre brede kategorier afhængigt af karakteren af ​​det "signal" eller "feedback", der er tilgængeligt for læringssystemet:

• Overvåget læring: Computeren præsenteres med eksempler på input og deres ønskede output, givet af en "lærer", og målet er at lære en generel regel, der kortlægger input til output.
• Uovervåget læring: Ingen etiketter gives til indlæringsalgoritmen, hvilket efterlader det alene for at finde struktur i dets input. Uovervåget læring kan være et mål i sig selv (opdage skjulte mønstre i data) eller et middel mod et mål (funktionslæring).
• Forstærkningslæring: Et computerprogram interagerer med et dynamisk miljø, hvor det skal udføre et bestemt mål (såsom at køre et køretøj eller spille et spil mod en modstander). Når det navigerer i sit problemrum, får programmet feedback, der er analog med belønninger, som det forsøger at maksimere.

Andre tilgange er blevet udviklet, som ikke passer pænt ind i denne tredobbelt kategorisering, og nogle gange bruges mere end en af ​​det samme maskinlæringssystem. For eksempel emnemodellering, dimensionalitetsreduktion eller metalæring.

Fra 2020 er dyb læring blevet den dominerende tilgang til meget løbende arbejde inden for maskinlæring.

Python er dynamisk skrevet (udfører ved kørsel mange almindelige programmeringsadfærd, som statiske programmeringssprog udfører under kompilering) og indsamles skrald (med automatisk hukommelsesstyring). Det understøtter flere programmeringsparadigmer, herunder struktureret (især procedurel), objektorienteret og funktionel programmering. Det blev oprettet i slutningen af ​​1980'erne og blev først udgivet i 1991 af Guido van Rossum som en efterfølger til ABC-programmeringssprog. Python 2.0, der blev udgivet i 2000, introducerede nye funktioner, såsom listeforståelse og et skraldopsamlingssystem med referencetælling, og blev afbrudt med version 2.7 i 2020. Python 3.0, udgivet i 2008, var en større revision af det sprog, der er ikke helt bagudkompatibel, og meget Python 2-kode kører ikke uændret på Python 3. Med Python 2s udtjente levetid (og pip er faldet i 2021), understøttes kun Python 3.6.x og senere, med ældre versioner stadig understøtter f.eks. Windows 7 (og gamle installatører, der ikke er begrænset til 64-bit Windows).

Python-tolke understøttes til almindelige operativsystemer og fås til nogle få flere (og tidligere understøttet mange flere). Et globalt samfund af programmører udvikler og vedligeholder CPython, en gratis implementering af open source-reference. En nonprofitorganisation, Python Software Foundation, administrerer og dirigerer ressourcer til Python og CPython-udvikling.

Fra januar 2021 rangerer Python på tredjepladsen i TIOBE's indeks over mest populære programmeringssprog, bag C og Java, efter at have tidligere opnået andenpladsen og deres pris for den mest populære vinding i 2020. Det blev valgt Årets programmeringssprog i 2007, 2010 og 2018.

En empirisk undersøgelse viste, at script-sprog, såsom Python, er mere produktive end konventionelle sprog, såsom C og Java, til programmeringsproblemer, der involverer strengmanipulation og søgning i en ordbog, og fastslog, at hukommelsesforbruget ofte var "bedre end Java og ikke meget værre end C eller C ++ ”. Store organisationer, der bruger Python, inkluderer bl.a. Wikipedia, Google, Yahoo !, CERN, NASA, Facebook, Amazon, Instagram.

Ud over dets kunstige intelligensapplikationer bruges Python ofte som et script-sprog med modulær arkitektur, enkel syntaks og rich text-behandlingsværktøjer til naturlig sprogbehandling.