高识别精度,但是仍然对计算量有很高的要求。而近年来,得益于计算机速度的提升、大规模集群技术的兴起、GPU的应用以及众多优化算法的出现,耗时数月的训练过程可缩短为数天甚至数小时,深度学习才逐渐可以用于工业化。
(以上资料参考Deep Learning(深度学习)学习笔记整理系列之(一))
下面为了便于非专业人士理解,我会尽量用通俗易懂的语言来回答:
以智能鉴黄为例,把用来鉴黄的机器想象成一个刚出生的宝宝。
首先人们会给机器宝宝一些标记过的图片,告诉宝宝这些是色情的,这些是性感的,还有这些是正常的。机器宝宝很聪明,会根据提供的数据学习到不同类型图片的基本特征,自己总结出一套规律,这样当你再给宝宝新的图片时,宝宝就会根据这些特征来判定图片的类型。
当然机器宝宝也会有出错的时候,因为人类对于色情的定义实在太广泛了。露点的、性暗示的、艺术的......在不同的场景下,面对不同的人群,对于色情的鉴定标准也会不同。想让机器宝宝像人一样准确,甚至比人还准,就需要利用海量的数据去不断地训练它,让机器不断纠正错误,学习到更多的特征。
领取专属 10元无门槛券
私享最新 技术干货