jahcoo
注册：2008-04-23 05:59:32
从八品上:承奉郎|御武(侮)校尉
从八品上:承奉郎|御武(侮)校尉
💧4230
🌟258
💓580
🌟258
💓580
家园
对产品很有信心那是一定的，我也很有信心，因为深度学习里的计算太简单了，80%甚至90%以上的计算，就是一个y=<w,x>+b，做个算这个的专用硬件出来，找个学这专业的本科生都能干，何况别人还有研究员挂帅 但是怎样把这些这么基本的运算组合起来，达到智能的效果，这个目前固定不下来，几 ...
大赞Made in China GPU，跟NVidia价格战！
不都是个FPGA么。第一个方面，做这种玩意儿的自然有专业的FPGA公司，比如Altera，其产品目前在微软、百度、好像还有谷歌都在试用了。要买FPGA，你选Xilinx、Altera的，还是别家的？就像要买电脑，CPU一般估计还是会买Intel或者AMD的吧。第二个方面，FPGA ...
1、真正收敛到全局最优解，这个时间可能仍然是一个天文数字，有文章说狗狗每秒能够计算10万种棋路，这一方面得益于硬件的发展以及谷歌、英伟达等专家专业的优化，另一方面深度学习能力强，在做到跟传统方法一样好的程度的时候，一般确实要快很多。但这比起围棋全部的可能变化，仍然太渺小了，所以狗 ...
这样的感觉越来越深了 也许matrix还没有实现，也许真正的“人工智能”离我们还很遥远，但我们已经开始电池化了，而且是积极主动地跑步进入电池状态 为训练LeNet写出那六万个手写字符的人是不是电池？ 为了AlexNet、VGG、GoogLeNet等等等等收集了几百万张图片，并且一 ...
shallow policy和deep policy(deep learning)到底有多大的区别，从数学上看，两者确实没有多大的区别，只是描述的维度不一样而已，deep learning的泛函维度更高。但是从现实中来看，两者其实是有本质的区别的，deep policy在各个方面 ...
田的分析对搞这行的人来说没什么新意可言，只能算是个科普吧。。。 谷歌的nature文章是早就出来了，但是细节内容有所保留无疑 举个最简单的，比如谷歌说自己和自己下棋，每盘棋是只选了一个局面作为样本来进行训练 但是这个局面是怎么选出来的呢？我想如果是random，那结果一定不会是现 ...
写完了发现你说的参数和我说的参数不是一回事儿。。。 从你说的参数方面看的话，其实不就是一个fine-tuning么，直觉上看新参数应该和老参数相去不远 ...
从整个机器学习，尤其是深度学习的发展来看，参数也许并不重要，数据精度也不重要 之前我们觉得重要，是因为我们处理数据的方式不够“自然”。参数非常重要的系统，说白了就是unstable，而深度学习是要做出足够stable的系统，那么参数根本就不重要 周志华他们搞的LDM，就发现原来传 ...
还代表了未来一段时间内的所有围棋高手们，原因就在于狗狗自己和自己下棋的RL方式 另外就是对于围棋这种有明确胜负的游戏来说，“旧的坏的”也许并不是那么明确，更大的可能是能捉住老鼠的就是好猫 但是细想之下，RL在这里的应用也许并不是像google论文里那么轻描淡写的简单，我觉得goo ...
本质上全连接层就是1X1 kernel_size的卷积层，改造成全卷积网络非常直接 问题在于原来1X1的输出变成了10X10的输出，那么最简单的就是直接做个fusion，那么狗狗的“大局观”会有一定程度的损失 更本质一点的话，把fusion用一个network来代替，通过较少的训 ...
我也不觉得狗狗直接解决了这个问题，因为这个问题的直接解决方法很有可能并不存在 但是我的直觉告诉我，这个问题有极大的可能被间接地解决了。由于新的策略方式（policy net + value net）跟传统的完全基于蒙特卡洛的方式有本质的区别，所以就像二维平面里不可能的跳到封闭曲线 ...
还有非常好奇，如果跟狗狗下一局完完全全的“模仿棋”，不知道它会如何应对呢
感觉基本上不会成立，非常期待周末狗狗能够用一局劫争来教“愚蠢的人类”学做人 按狗狗设计的方式，在出现劫争的时候，也许它对于跳出劫争的时机把握会趋于完美。小李不出劫，我一个大胆的猜想，不是因为什么保密协议，而是狗狗的团队或者是其他人告诉过他，狗狗在劫争的处理上不是人的智力能够抗衡的 ...
或者说这种情况是非常容易解决的 如果真是如您主楼所说，采用19*19的卷积网络来做的话，用全卷积网络就没有这个必须是19*19的限制了，表现出来也许仅仅是狗狗的大局观“没那么强”了而已 ...