神经架构自学习，带来优秀的计算机视觉模型

是人工智能模型的先驱。从图像识别、语音识别，到文字理解，甚至自动驾驶，深度学习的来临极大地丰富了我们对AI潜力的想象。

那么，深度学习为何如此成功呢？

主流思想认为，一个重要的原因是，深度学习成功的原因是不依靠人类直觉来构建或表示数据的特征（视觉，文本，音频......），而是建立一个神经网络架构来自发学习这些特征。

关键词是特征。从特征工程，到特征搜索，到特征学习——每一阶段的进步都能带来巨大的性能提升。

既然“特征”上大有文章可做，那么“网络结构”是否也可以借鉴同样的经验呢？

没错，也可以！

这个新颖的观点已经得到了Allen Institute for AI最新研究的支持。他们的最新研究表明，计算机学习来的神经网络架构可以比人类设计的更好。

在训练期间，他们的网络的可以灵活改变网络架构——它既学习网络参数，也学习结构本身。所学习的架构具有高度稀疏的特性，因此就运算运算而言，它将是一个小得多却可以实现高精度的模型。

在高效稀疏计算硬件大力发展的环境下，这可能是深度学习模型下一演变阶段的重要触发因素。

在了解他们的最新成果前，让我们先回顾一下，从二十年前到开始进入深度学习时代AI模型在计算机视觉技术领域的关键发展阶段。同样的趋势在其他深度学习领域也有类似体现。

计算机视觉三个发展阶段

特征工程阶段

尝试人工找到图像中承载图像语义的高维向量。成功的例子有：SIFT，HOG，ShapeContext，RBF和Intersection Kernel。这些特征和函数是基于对人类视觉识别过程的模拟。这是当时计算机视觉技术背后的基础科学。经过了几年的直觉驱动研究，计算机视觉技术科学家并未能开发新的功能，这使得该领域进入了第二阶段。

（编辑：南昌站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!