熱門Ptt文章

[爆卦]ai模糊工具是什麼？優點缺點精華區懶人包

雖然這篇ai模糊工具鄉民發文沒有被收入到精華區：在ai模糊工具這個話題中，我們另外找到其它相關的精選爆讚文章

在 ai模糊工具產品中有35篇Facebook貼文，粉絲數超過2萬的網紅COMPOTECHAsia電子與電腦 - 陸克文化，也在其Facebook貼文中提到， #微控制器MCU #微處理器MPU #物聯網IoT #人工智慧AI #機器學習ML #微神經網路處理器microNPU #機密計算架構CCA #RISC-V 【多核、異構，MCU/MPU 不一樣了！】 越來越多包含微控制器 (MCU)、微處理器 (MPU) 設備加入數位化行列，且朝...

　同時也有2部Youtube影片，追蹤數超過7萬的網紅電腦學習園地，也在其Youtube影片中提到，【加入】支持電腦學習園地 https://www.youtube.com/channel/UCYkWZY6-NlkU6qEkEtK3s0Q/join ✅購買完整課程內容 https://shopee.tw/alyoou ✅請【訂閱】我們的頻道 如果這部影片對你有幫助的話，請幫我按個讚，給我點...

「ai模糊工具」的推薦目錄

ai模糊工具 在 克萊兒。有話要說 | 斜槓設計師 Instagram 的精選貼文

2021-09-03 21:28:01

- 喜歡這則貼文 別忘了按下追蹤💓 記得也要↗️收藏起來 慢慢閱讀🙂 - 👉🏻直接點擊個人檔案下方連結 鎖定更多完整的文章 👉🏻https://clairetalkstoyou.com/ - 📍 使用illustrator 製作文字網點效果 只要5分鐘 讓你做出網點文字 1️⃣ 選擇文字工具 ke...

  • COMPOTECHAsia電子與電腦 - 陸克文化

    ai模糊工具 在 COMPOTECHAsia電子與電腦 - 陸克文化 Facebook 的最讚貼文

    2021-08-20 14:30:40
    有 4 人按讚

    #微控制器MCU #微處理器MPU #物聯網IoT #人工智慧AI #機器學習ML #微神經網路處理器microNPU #機密計算架構CCA #RISC-V

    【多核、異構，MCU/MPU 不一樣了！】

    越來越多包含微控制器 (MCU)、微處理器 (MPU) 設備加入數位化行列，且朝「多重處理器」趨勢邁進，每個 MCU 內部都是一顆 CPU (中央處理單元)，有些還會配置第二或第三核心負責處理專屬功能，包括從無線電到機器學習 (ML) 等各種任務；而單晶片 (SoC) 架構的挑戰是：平衡元件要求、以更高的效率完成任務，多重核心在這方面將持續扮演重要角色，包括管理通訊、資料、排程等作業也將變得更加複雜，其最大挑戰很可能是如何管理在多重核心元件上運行的軟體。

    各界普遍認同摩爾定律與 Dennard 縮放比例定律已近終點，但運算需求的成長速度卻日漸加快，因此，未來將會需要更加複雜的異質化 SoC 架構。與此同時，MCU 與 MPU 的界線越來越模糊，有產業先進認為其中一個主要區別是：工作頻率。此外，MCU 屬於單核架構，專注在控制層面、涵蓋類比輸入與輸出的控制動作；而 MPU 可能是單核心或多核心，專注於處理資料、而非處理或量測類比輸入或輸出訊號，幾乎都會用外部記憶體來存放程式資料，速度屬次要參數。

    實際上，高性能的 MCU 已經可以運行作業系統。值得留意的是，RISC-V 市佔率正持續攀升，尤其低階 MCU 領域已逐漸取代 Arm 32 位元 MCU (Cortex-M)，恩智浦 (NXP) 則計劃在某些新處理器子系統中將 RISC-V 作為共同處理器。芯科科技 (Silicon Labs) 認為：RISC-V 架構仍在持續演進，相比其他成熟的 RISC 價格，最大的差異是忠誠度、可用的工具、軟體以及新架構在沒有大量測試及實用基礎下的信心度等，其成長性或與成熟度互為因果。

    延伸閱讀：
    《數位化轉型中的 MCU》
    http://www.compotechasia.com/a/feature/2021/0813/48768.html

    #安謀Arm #Imagination #恩智浦NXP #芯科科技SiliconLabs #意法半導體ST

  • COMPOTECHAsia電子與電腦 - 陸克文化

    ai模糊工具 在 COMPOTECHAsia電子與電腦 - 陸克文化 Facebook 的最佳貼文

    2021-08-18 14:30:24
    有 4 人按讚

    #微控制器MCU #物聯網IoT #人工智慧AI #機器學習ML #伸縮向量擴展SVE #機密計算架構CCA #RISC-V

    【越來越強大的 MCU】

    從英特爾 (Intel) 最早的 4 位元 4004 開始算，微控制器 (MCU) 已經 50 歲了；如果從性能的角度來看，當今高性能的 MCU 產品已遠遠超過 20 多年的中央處理器 (CPU)。很多廠商為了區分高性能處理應用的場景，推出了微處理器 (MPU) 概念，從名稱上與傳統 MCU 區分。不過 MPU 並無嚴格定義，不同廠商對 MPU 的定位也不同；而隨著 MCU 在性能製程上的進步，MCU 與 MPU 之間的界線也逐漸模糊。

    根據統計機構的資料，2020 年 MCU 主流產品是 32 位元，佔據超過五成市場，但令人稱奇的是，8 位元 MCU 仍然持有四成左右的市場份額；剩下的 16 位元和 4 位元 MCU 只有個位數的市場份額，且正被 8 位元或 32 位元 MCU 取代。除了資料位元寬，另一項區分 MCU 的規格就是指令集，主要分為 CISC 指令集和 RISC 指令集兩大類，其中 RISC 指令集的 MCU 佔比超過 3/4。在 RISC 指令集產品中，目前安謀 (Arm) 的 RISC 指令集 MCU 佔有絕對優勢地位。

    如今 MCU 的平均價格已經跌至 1 美元以下，這大幅降低了包括物聯網 (IoT)、人工智慧 (AI)、穿戴設備的進入門檻。廉價的 MCU 和簡單易用性能的強大的開發工具，為不同門檻的准入者提供實現創新的機會。儘管平均單價正在下降，但是整個 MCU 市場營收卻保持快速增長，市場營收預計在 2023 年近 190 億美元，其中超過八成的市場份額被前十大供應商壟斷。總體來看，汽車仍佔據 MCU 最大份額，加上工業和醫療，三者合佔近六成市場，消費和運算約佔三成。

    32 位元 MCU 因其兼具控制、通訊以及某種程度的邏輯處理能力，同時在功耗方面的不錯表現，成為物聯網市場首選，整個物聯網、穿戴式 MCU 的市場增長速度超過平均值。Arm 架構的統治地位依然穩固，並與富士通合作開發可技術，並在此基礎上開發了 SVE2，在更廣泛的應用中實現增強的機器學習和數位信號處理能力，以便應對無處不在的AI 需求。但是也並非沒有競爭者，近年正夯的 RISC-V 就來勢汹汹……。

    延伸閱讀：
    《今非昔比的 MCU》
    http://www.compotechasia.com/a/feature/2021/0813/48769.html

    #英特爾Intel #意法半導體ST #微芯科技Microchip #瑞薩電子Renesas #恩智浦NXP #德州儀器TI #英飛凌Infineon #東芝Toshiba #芯科科技SiliconLabs #安謀Arm

  • 台灣物聯網實驗室 IOT Labs

    ai模糊工具 在 台灣物聯網實驗室 IOT Labs Facebook 的最佳解答

    2021-08-02 12:44:02
    有 0 人按讚

    為了讓 AI 不斷打怪升級，DeepMind 打造「宇宙」

    作者 雷鋒網 | 發布日期 2021 年 07 月 30 日 8:15 |

    DeepMind 又給我們小驚喜。我們都知道，強化學習苦於類化能力差，經常只能針對單個任務從頭學習。

    DeepMind之前開發的AlphaZero，儘管可以玩圍棋、西洋棋和日本將棋，但每種棋牌遊戲都只能從頭訓練。類化能力差也是AI一直被詬病為人工智障的一大原因。人類智慧的厲害之處，就在藉鑑之前經驗迅速適應新環境。

    但類化能力不是一蹴而就，就像玩遊戲，也是先做簡單任務，逐步升級到複雜任務。《空洞騎士》（Hollow Knight）一開始只需要隨意走動揮刀砍怪，但噩夢級難度的「苦痛之路」關，沒有前面累積的技巧，只能玩寂寞。

    多任務宇宙

    DeepMind此次採用「課程學習」，讓智慧體於不斷擴展升級的開放世界學習。也就是說，AI新任務（訓練資料）是基於舊任務不斷生成。智慧體可盡情鍛鍊自己，簡單的如「靠近紫色立方體」，複雜點的如「靠近紫色立方體或將黃色球體放在紅色地板」，甚至和其他智慧體玩耍，如捉迷藏──「找到對方，且不要被對方發現」。

    每個小遊戲存在世界小角落，千千萬萬個小角落拼成龐大的物理模擬世界，如下圖的幾何「地球」。總體來說這個世界的任務由三個要素構成，即任務＝遊戲＋世界＋玩家，並根據三要素關係，決定任務的複雜度。

    複雜度的判斷有四個維度：競爭性、平衡性、可選項、探索難度。

    比如「搶方塊」遊戲，藍色智慧體需要把黃色方塊放到白色區域，紅色智慧體需要把黃色方塊放到藍色區域。這兩個目標矛盾，因此競爭性較強；同時雙方條件對等，平衡性比較高；因目標簡單，所以可選項少；DeepMind把探索難度評為中上，可能是因定位區域算較複雜的場景。

    再如「球球喜歡和方塊一起玩」遊戲，藍色和紅色智慧體有共同目標，讓相同顏色的球體和方塊放在相近位置。

    這時競爭性自然很低，平衡性毋庸置疑很高的；可選項比上面遊戲高很多；探索難度沒有定位區域，智慧體隨便把球體和方塊放哪都行，難度就變小了。

    基於這四個維度，DeepMind打造超大規模「宇宙」任務空間，幾何「地球」也只是這宇宙的小角落，是四維任務空間的一點。DeepMind將「宇宙」命名為XLand，包含數十億個任務。

    來看XLand的全貌，由一系列遊戲組成，每個遊戲在許多模擬世界進行，這些世界的拓樸和特徵平滑變化。

    終生學習

    數據有了，接下來得找到合適的算法。 DeepMind發現，目標注意代理（GOAT）可學習更通用的策略。

    具體來說，智慧體輸入包括第一視角的RGB圖像、本體感覺以及目標。經過初步處理後，生成中間輸出，傳遞給GOAT模組，會根據智慧體目前目標處理中間輸出的特定部分，邏輯分析目標。

    邏輯分析是指，每個遊戲可藉由一些方法，構建另一個遊戲，並限制策略的價值函數的最優值上限或下限。

    DeepMind提出一個問題：對每個智慧體，什麼樣的任務是最好的？換句話說，打怪升級時，什麼樣的關卡設置才讓玩家順利升級為「真」高手，而不是一刀9999？

    DeepMind的答案是，每個新任務都基於舊任務生成，「不會太難，也不會太容易」。其實恰好是讓人類學習時感覺「爽」的興奮點。

    訓練開始時，太難或太容易的任務可能會鼓勵早期學習，但會導致訓練後期的學習飽和或停滯。不要求智慧體某任務非常優秀，而是鼓勵終身學習，即不斷適應新任務。所謂太難、太容易是較模糊的描述。需要量化方法，在新任務和舊任務之間彈性連接。

    怎麼不讓智慧體做新任務時不適應而「暴死」？進化學習就提供很好的靈活性。總體來說，新任務和舊任務同時進行，且每個任務有多智慧體參與「競爭」。舊任務適應好的智慧體，會選拔到新任務繼續學習。

    新任務中，舊任務的優秀智慧體權重、瞬間任務分佈、超參數都會複製，參與新一輪「競爭」。除了舊任務的優秀智慧體，還有很多新人參與，這就引進隨機性、創新性、靈活性，不用擔心「暴死」問題。

    當然，因任務不斷生成、動態變化，一個任務可訓練不同長處的智慧體，並往不同方向演化（隨著智慧體相對性能和強健性進行）。最終每個智慧體都會形成擅長任務的集合，就像春秋戰國時期「百家爭鳴」。說打怪升級顯得格局小，簡直是模擬地球。

    DeepMind表示，「這種組合學習系統的特性是，不最佳化有界性能指標，而是更新定義的通用能力範圍，這使智慧體開放式學習，僅受環境空間和智慧體的神經網路表達能力的限制。」

    智慧初現

    最終這複雜「宇宙」升級、進化、分流的智慧體長成了什麼優秀物種？DeepMind說，智慧體有很明顯的零樣本學習能力，比如使用工具、合圍、數數、合作＋競爭等。

    來看具體例子。首先智慧體學會臨機應變。目標有三個：

    黑色金字塔放到黃色球體旁邊
    紫色球體放到黃色金字塔旁邊
    黑色金字塔放到橙色地板

    AI一開始找到一個黑色金字塔，想拿到橙色地板（目標3），但搬運過程瞄見黃色球體，瞬間改變主意，「我可以實現目標1啦」，將黑色金字塔放到黃色球體旁邊。

    第二個例子是，不會跳高，怎麼拿到高台上的紫色金字塔？智慧體需要想辦法突破障礙，取得高台上的紫色金字塔，高台周邊並沒有類似階梯、斜坡的路。

    因不會跳高，所以智慧體「掀桌子」，把周邊幾塊豎起來的板子弄倒。然後一塊黑色石板剛好倒在高台邊，「等等，這不就是我要的階梯嗎？」這過程是否體現了慧體的智慧，還無法肯定，可能只是一時幸運。關鍵還是，要看統計數據。

    經過5代訓練，智慧體在XLand的4千個獨立世界玩了約70萬個獨立遊戲，涉及340萬個獨立任務，最後一代每個智慧體都經歷2千億次訓練步驟。智慧體已能順利參與幾乎每個評估任務，除了少數即使人類也無法完成的任務。

    DeepMind的研究，或許一定程度體現「密集學習」重要性。也就是說，不僅資料量要大，任務量也要大。這也使得智慧體在類化能力有很好表現，如資料顯示，只需對一些新複雜任務進行30分鐘集中訓練，智慧體就可快速適應，而從頭開始用強化學習訓練的智慧體根本無法學習這些任務。

    往後我們也期待這「宇宙」更複雜和生機勃勃，AI經過不斷演化，不斷給我們帶來驚喜（細思極恐）的體驗。

    資料來源：https://technews.tw/2021/07/30/deepmind_xland/

你可能也想看看

搜尋相關網站