Meta.Qing的博客

尽管从数学上讲，机器计算出的单词序列的统计分布可能是对语言建模的一种非常有效的选择，但作为人类，我们通过选择最适合给定情况的文本序列来生成语言，并使用我们的背景知识和常识来指导这个流程。为了克服这个问题，现在的策略是让贴标签者对 SFT 模型的不同输出进行排序以创建奖励模型，而不是要求人工贴标签者创建一个更大的精选数据集，这是一个缓慢且昂贵的过程——让我们更详细地解释这一点下节详述。为避免训练阶段涉及的标注者的判断过度拟合，测试集使用来自保留的 OpenAI 客户的提示，这些提示未出现在训练数据中。

机器学习 (ML) 被定义为人工智能 (AI) 的一门学科，它使机器能够自动从数据和过去的经验中学习，以识别模式并在最少的人工干预下做出预测。本文介绍了机器学习的基础知识、其类型以及最重要的五个应用程序。它还分享了 2022 年机器学习的十大趋势。 目录什么是机器学习？机器学习是如何工作的？机器学习的类型1. 监督机器学习2. 无监督机器学习3. 半监督学习4.强化学习前 5 名机器学习应用程序1.医疗保健行业2. 金融业3. 零售业4.旅游行业5.社交媒体2022 年机器学习十大趋势1. 区块链遇上机器学

在这篇博客中，我将向您介绍 Faceio 的面部识别身份验证，这是一种让用户登录系统的绝佳方式，我们还将构建一个简单的应用程序来展示将这种令人兴奋的技术集成到 vue 中的方式。此外，FaceIO 从不存储您的图像，它只存储图像的散列键，因此您的照片无处可去。组件的文件，我们首先从清除模板开始，然后添加三个按钮，一个用于登录，一个用于注册，一个用于注销。第二个是 FaceIO 使用的模型的高精度，在准确度指标中得分几乎 100%，这是一个疯狂的数字，需要大量的高质量数据，这需要花费大量资金.

它能够检测 80 多种常用对象，例如检测人、铅笔和智能手机。但是，此模型无法满足检测自定义对象的需求，例如，我是一名药剂师，我想制作一个能够检测和计数网络摄像头中的药丸的 Web 应用程序。每个行业对自定义对象检测的需求都很高，在本文中，我为我的药房使用创建了一个药丸计数器，希望在了解自定义检测技术后，它可以激发您为您的行业创建更多工具。👉 接下来，一张一张地标记您的图像（这是繁琐的部分），幸运的是，Custom Vision 确实为您提供了一个非常用户友好的标记工具，可以简化您的标记过程。

目录介绍卷积神经网络：图像分类的主力军从其他大型数据集生成预测模型数据质量和模型选择是关键癌症的早期检测、诊断和分期使癌症诊断更准确癌症分期和分级在早期癌症检测的道路上使用机器学习检测癌症突变充分利用突变确定来源的肿瘤细胞表征肿瘤微环境治疗靶点和药物的发现药物设计药物再利用患者预后和对治疗的反应预测药物疗效和协同作用当前的挑战和未来的前景人工智能 (AI) 正在迅速重塑癌症研究和个性化临床护理。高维数据集的可用性加上高性能计算的进步以及创新的深度学习架构，导致人工智能在肿瘤学研究的各个方面的使用呈爆炸式增长

人工智能 (AI) 是一种机器智能，它模仿人类思维的解决问题和决策能力来执行各种任务。。 人工智能使用机器学习和深度学习等算法和技术来学习、发展并在分配的任务中逐渐做得更好。根据人工智能可以复制的人类特征、现实世界的应用和心智理论的先决条件，人工智能分为三种类型：让我们更详细地了解每种 AI 类型。狭义人工智能 (ANI)，也称为弱 AI 或狭义 AI，是特定于应用程序或任务的 AI。它被编程为执行单一任务，例如面部识别、语音助手中的语音识别或驾驶汽车。狭义 AI 基于一组有限的参数、约束和上下文来模拟人

例如，在胚胎发育的早期阶段，会形成一个基本的肠管，其中肺和其他附近的器官来自前肠，而大部分消化道则来自中肠和后肠。“随着发育细胞图谱的出现，尤其是那些关注器官发生早期阶段的图谱，如 MOCA，我们可以将我们的工具扩展到组织学和基因组信息之外，并为分析和识别肿瘤以及开发新疗法的新方法打开大门。研究人员比较了两个大细胞图谱，确定了肿瘤和胚胎细胞之间的相关性：癌症基因组图谱 (TCGA)，其中包含 33 种肿瘤类型的基因表达数据，以及小鼠器官发生细胞图谱 (MOCA)，其中描述了 56 个独立的肿瘤细胞轨迹。

对象检测是检测对象在图像中的位置并对给定图像中的每个感兴趣对象进行分类的任务。在计算机视觉中，该技术用于图片检索、安全摄像头和自动驾驶汽车等应用。用于对象检测的最著名的深度卷积神经网络 (DNN) 系列之一是 YOLO（You Only Look Once）。在这篇文章中，我们将使用TensorFlow开发一个端到端的解决方案，在Python中训练一个自定义对象检测模型，然后将其投入生产，并通过在浏览器中运行实时推理。这篇文章将分为四个步骤，如下：训练一个好的模型的第一步是拥有高质量的数据。

接下来，一个小的全连接网络在特征层上滑动，以预测与类别无关的框建议，相对于在空间、比例和纵横比上平铺的锚网格。bh 的值是边界框的高度与相应网格单元格的高度之比，bw 是边界框的宽度与网格单元格的宽度之比。在物体检测方面，它并不是最准确的算法，但可以肯定的是，它以其令人印象深刻的速度弥补了这一点，因此在速度和准确性之间取得了很好的平衡。必须注意的是，两次检测模型实现了更好的性能，但单次检测处于性能和速度/资源的最佳位置，这使得它更适合于检测实时提要中的对象或对象跟踪等预测速度较快的任务更为重要。

从检测颜色到构建绿屏应用程序（用自定义视频或背景替换绿色背景）到简单的照片编辑软件，构建颜色识别器是开始使用计算机视觉的绝佳项目。一个简单的自动车牌识别系统可以使用基本的图像处理技术，您可以使用 OpenCV 和 Python 构建它。您可以使用像 OpenCV 这样的免费工具来标记您的数据，或者使用像 V7 这样的。您可以使用涉及一个对象（例如汽车）或多个对象（例如行人、动物等）的视频来构建简单的对象跟踪模型。与 PPE 检测类似，您可以构建一个简单的面罩检测模型来识别在公共场所戴口罩和不戴口罩的人。

图像或视频数据还可以与从传感器收集的其他环境信息（例如温度或通风）相结合，使人工智能驱动的系统能够为农民提供有关动物健康或其获取食物和水的宝贵见解。这些算法现在可以准确地跟踪和统计高速公路的交通流量，或者监控和分析城市地区（例如十字路口）的交通密度，帮助设计更好的交通管理系统并提高道路安全。通过监测和评估婴儿的自发动作，医生可以在很小的时候预测神经发育障碍并采取适当的措施。它使用摄像头自动识别和定位图像或视频中的行人，同时考虑与身体着装和位置、遮挡、不同场景下的照度和背景杂波相关的变化。

棘手的是，患有艾滋病等慢性长期疾病的患者会对药物产生耐药性，因此需要随着时间的推移更换药物，这使得治疗顺序很重要。随着整个世界处于虚拟化和基于云的应用程序的边缘，像数据中心这样的大型商业和工业系统需要大量的能源消耗来保持服务器的运行。在训练过程中，学习者反复构建动作序列，执行这些动作，并观察产生的奖励。决策需要是动态的，取决于来自不同方向的交通到达率，这应该在一天中的不同时间有所不同。我们已经在 AlphaGo 中看到，经过 RL 训练的代理击败了历史上最强的围棋选手，打进了当时认为不可能的目标。

医学图像注释是标记医学成像数据的过程，例如 X 射线、CT、MRI 扫描、乳房 X 光检查或超声波。它用于训练用于医学图像分析和诊断的 AI 算法，帮助医生节省时间、做出更明智的决策并改善患者治疗效果。但是，您很快就会了解到，这个过程并不像看起来那么容易。医学图像注释是标记医学成像数据的过程，例如 X 射线、CT、MRI 扫描、乳房 X 光检查或超声波。它用于训练用于医学图像分析和诊断的 AI 算法，帮助医生节省时间、做出更明智的决策并改善患者治疗效果。

因此，在将图像输入模型的层和提供输出的层之间的某个位置，模型用作复杂的特征提取器。神经风格转移是一种技术，它允许我们生成与基本图像具有相同“内容”的图像，但具有我们选择的图片的“风格”。来工作，使得输出图像和内容图像应该在内容上特别匹配，而风格图像和期望的输出图像应该在纹理上匹配，并在图像中捕获相同的风格特征激活图。NST 采用预训练的卷积神经网络，添加了损失函数，将风格从一张图像转移到另一张图像，并将新生成的图像与我们想要添加的特征合成。唯一的变化是图像的样式配置，为您的图像赋予艺术气息。

Stable Diffusion 是一种革命性的文本到图像模型，与 DALL·E 2 模型非常相似，但有一个非常显着的区别——它是开源的（与 DALL·E 2 不同）——即可以使用和重新分发原始源代码免费，其他人可以从源代码中获取灵感来制作自己的模型。是的，您可以出售他们的 AI 模型生成的艺术品。DeepDream Generator 是 Google 的另一个项目，它像我们迄今为止看到的所有其他生成器一样接收输入图像，并使用不同的风格输出梦幻般的迷幻图像，描绘出我们“梦想”的奇异事物。

该算法可以分析白内障进展的变化，做出个性化的预测，并帮助安排及时的就诊和检查。医疗保健专业人士表示，这些数据包含重要的非临床见解，这些见解会影响患者的健康和护理服务。根据 Marshal 的说法，自然语言处理算法可以帮助访问此类数据并将其转化为诊断和更广泛的医疗保健计划的见解。其他人则需要更成熟的数据管理和数据治理实践，以确保处理后的图像和其他患者记录的最大安全性。另一方面，Radboud 大学医学中心的一家乳房诊所最近采用了一种断层合成工具来获取乳房的 3D 图像，为诊断提供了更高水平的数字化。

传统上，牙医通过简单的目视检查来识别龋齿——我们大多数人可能与躺在诊所椅子上的经历有关，而牙医在我们的牙齿周围戳，一直担心我们会听到，“哦，我明白了一个洞！称为“口腔潜在恶性疾病”（OPMDs）的可见口腔病变是癌症的强烈征兆，可以在普通牙医的常规口腔检查中检测到。牙医对患者数据的评估是主观的，研究表明从业者之间的诊断并不总是一致的。虽然这无疑是一个低标准，但研究发现，CV/ML 工具不仅比牙医的共识率更好，而且比将一位牙医用作“基本事实”或当使用了两个牙医注释之间的交集。

​什么是自监督学习，它是如何工作的以及它在 Vision Ai 中的应用是什么？了解正在进行的研究并获得训练自我监督模型的实践经验。在过去十年中，人工智能领域在机器学习系统方面取得了重大发展，可以使用监督学习的范式解决广泛的计算机视觉问题。然而，监督学习需要大量仔细标记的数据，并且数据标记过程往往漫长、昂贵且容易出错。​

为句子中的每个单词生成注意力向量，以表示每个单词与同一句子中的每个单词的相关程度。GPT3 的基本结构与 GPT2 相似，唯一的区别在于更多的转换器块（96 个块）并且在更多的数据上训练。GoogleNet 架构由具有 1x1、3x3、5x5 卷积层的初始块组成，随后是前一层的 3x3 最大池化和填充（以使输出与输入具有相同的形状），然后是它们的输出连接。隐藏神经元的连接性和权重是固定的和随机分配的。这些网络应该有本地胶囊，可以对其输入执行复杂的内部计算，然后将结果封装到一个包含大量信息的输出的小向量中。

深度学习模型代表了人工智能 (AI) 和机器学习中的新学习范式。最近在图像分析和语音识别方面的突破性成果引起了人们对该领域的极大兴趣，因为在提供大数据的许多其他领域中的应用似乎也是可能的。不利的一面是，深度学习模型背后的数学和计算方法非常具有挑战性，尤其是对于跨学科科学家而言。出于这个原因，我们在本文中介绍了深度学习方法的介绍性回顾，包括深度前馈神经网络 (D-FFNN)、卷积神经网络 (CNN)、深度信念网络 (DBN)、自动编码器 (AE) 和长短术语记忆 (LSTM) 网络。这些模型构成了当前使用的深

该数据集取自 YouTube 视频，由一个扩展的本体组成，该本体被指定为事件类别的层次图，涵盖人类和动物的声音、乐器的声音、流派、日常环境声音等。该数据集受到图像和视觉研究领域日益增长的情绪的启发，可以说是计算机视觉分类算法的事实数据集。这是一个大规模的开放数据集，旨在促进自动驾驶技术的发展。普林斯顿大学的这个数据集由每个场景和对象类别的大约一百万张标记图像组成，其中测试集包含 10,000 张图像。数据集分为超过 900 万张图像的训练集、超过 4 万张图像的验证集和 125,436 张图像的测试集。

的工作方式类似，数据集搜索可让您在托管数据集的任何地方查找数据集，无论是出版商的网站、数字图书馆还是作者的网页。这是一个了不起的数据集查找器，它包含超过 2500 万个数据集。IMDB-Wiki 数据集是用于标记性别和年龄的面部图像的最广泛的开源数据集之一。它包含来自流行网站的各种数据集，如 Goodreads 书评、亚马逊产品评论、调酒数据、社交媒体数据以及其他用于构建推荐系统的数据集。如果您知道其他高质量、免费的数据集，您会向人们推荐这些数据集，用于机器学习、深度学习、数据科学等的研究和应用。

你有没有想过谷歌如何在几毫秒内将整个段落从一种语言翻译成另一种语言？Netflix 和 YouTube 如何提供好的推荐；自动驾驶汽车怎么可能？所有这些创新都是深度学习和人工神经网络的产物。什么是深度学习？深度学习是机器学习的一个子集，是人工智能的一个子集。深度学习算法试图通过不断分析具有给定逻辑结构的数据来得出与人类相似的结论。为了实现这一点，深度学习使用称为神经网络的多层算法结构。什么是深度学习？深度学习是机器学习的一个子集，是人工智能的一个子集。

机器学习领域新技术的迅猛发展帮助软件开发人员以前所未有的方式构建新的人工智能应用程序。目前，大多数 AI 爱好者利用 Python 框架进行 AI 和机器学习开发。但环顾四周，人们可能还会发现基于 JavaScript 的框架也正在 AI 中实现。这个有趣的交叉点让我们探索和试验了一起使用 Javascript 和机器学习的奇怪可能性。从我们的研究中分享，这里有一些简洁的 JavaScript 机器学习库，它们将 Javascript、机器学习、DNN 甚至 NLP 结合在一起。看一看。......