张飞软硬开源基于STM32 BLDC直流无刷电机驱动器开发视频套件,👉戳此立抢👈

Ravi Munde利用强化学习,实现了对Dino Run的控制

人工智能头条 2018-05-29 19:12 次阅读

Chrome 浏览器里面有一个小彩蛋,当你没有网络时,打开任意的 URL 都会出现一个恐龙小游戏(Dino Run),按空格键就可以跳跃。当然,直接打开  chrome://dino 也可以玩这个小游戏。近期,一名来自东北大学(美国)的研究生 Ravi Munde 利用强化学习,实现了对 Dino Run 的控制。

以下内容来自 Ravi Munde 博客,人工智能头条编译:

本文将从强化学习的基础开始,并详细介绍以下几个步骤:

在浏览器(JavaScript)和模型(Python)之间构建双向接口

捕获和预处理图像

训练模型

评估

▌强化学习

对许多人来说,强化学习可能是一个新词,但其实小孩学步利用的就是强化学习(RL)的概念,这也是我们的大脑仍然工作的方式。奖励系统是任何 RL 算法的基础,就像小孩学步的阶段,积极的奖励将是来自父母的鼓掌或糖果,而负面奖励则是没有糖果。孩子在开始走路之前首先学会站起来。就人工智能而言,智能体(Agent)的主要目标(在我们的案例中是 Dino)是通过在环境中执行特定的操作序列来最大化某个数字奖励。RL 中最大的挑战是缺乏监督(标记数据)来指导智能体,它必须自己探索和学习。智能体从随机行动开始,观察每个行动带来的回报,并学习如何在面临类似环境状况时预测最佳行动。

图注:vanilla 强化学习框架

▌Q-learning

我们使用 Q-Learning(RL 中的一种)来尝试逼近一个特殊函数,这个函数可以驱动任何环境状态序列的动作选择策略。Q-Learning 是 RL 的一种无模型实现,针对每个状态、采取的行动和得到的奖励来更新 Q-table,它能让我们了解数据的结构。在我们的例子中,状态是游戏的截图、行动、不动、跳[0,1]。

我们通过回归方法来解决这个问题,并选择具有最高预测 Q 值的动作。

图注:Q-table 样本

▌设置

首先设置环境:

1、选择虚拟机

我们需要一个完整的桌面环境,在这里我们可以捕获和利用屏幕截图对模型进行训练。我选择了 Paperspace ML-in-a-box(MLIAB)Ubuntu 镜像。MLIAB 的优势在于它预装了Anaconda 和许多其他 ML 库。

2、设置和安装 Keras 以使用GPU

Paperspace 的虚拟机已经预先安装了,如果没有的话,可以按照下面的方式:

pip install keraspip install tensorflow

另外,为了确保 GPU 可以被设置识别,执行下面的 python 代码,你应该看到可用的 GPU 设备:

from keras import backend as KK.tensorflow_backend._get_available_gpus()

3、安装 Dependencies

Selenium: 

pip install selenium

OpenCV: 

pip install opencv-python

下载 Chromedrive:

http://chromedriver.chromium.org

▌游戏框架

打开 chrome://dino,按空格键就可以玩这个游戏了。如果需要修改游戏代码,就要 chromium 的开源库中提取游戏了。

由于这个游戏是用 JavaScript 写的,而我们的模型是用 Python 写的,因此我们需要运用到一些接口工具。

Selenium 是一个比较流行的浏览器自动化工具,用于向浏览器发送操作,并获取当前分数等不同的游戏参数。

在有了发送操作的接口之后,我们还需要一种捕获游戏画面的机制:

Selenium 和 OpenCV 分别为屏幕捕获和图像预处理提供了最佳性能,可实现 6-7 fps 的帧率。

游戏模块

我们使用这个模块实现了 Python 和 JavaScript 之间的接口,下面的代码可以让你知道模块的实现原理:

class Game:    def __init__(self):        self._driver = webdriver.Chrome(executable_path = chrome_driver_path)        self._driver.set_window_position(x=-10,y=0)        self._driver.get(game_url)    def restart(self):        self._driver.execute_script("Runner.instance_.restart()")    def press_up(self):        self._driver.find_element_by_tag_name("body").send_keys(Keys.ARROW_UP)    def get_score(self):        score_array = self._driver.execute_script("return Runner.instance_.distanceMeter.digits")        score = ''.join(score_array).        return int(score)

智能体模块

我们使用智能体模块来封装所有接口。我们使用此模块控制 Dino,并获取智能体在环境中的状态。

class DinoAgent:    def __init__(self,game): #takes game as input for taking actions        self._game = game;        self.jump(); #to start the game, we need to jump once    def is_crashed(self):        return self._game.get_crashed()    def jump(self):        self._game.press_up()

游戏状态模块

为了将动作发送到模块并获得相应的结果状态,我们使用了 Game-State 模块。它通过接收和执行操作来简化流程,决定奖励并返回经验元组。

class Game_sate:    def __init__(self,agent,game):        self._agent = agent        self._game = game    def get_state(self,actions):        score = self._game.get_score()        reward = 0.1 #survival reward        is_over = False #game over        if actions[1] == 1: #else do nothing            self._agent.jump()        image = grab_screen(self._game._driver)        if self._agent.is_crashed():            self._game.restart()            reward = -1            is_over = True        return image, reward, is_over #return the Experience tuple

▌图像通道

图像捕捉

我们可以通过多种方式捕获游戏画面,例如使用 PIL 和 MSS python 库截取整个屏幕,并裁剪感兴趣区域(Region of Interest, ROI)。然而,这个方法最大的缺点是对屏幕分辨率和窗口位置的敏感度问题。幸运的是,该游戏使用了 HTML Canvas,我们可以使用 JavaScript 轻松获得 base64 格式的图像。现在,我们使用 selenium 来运行这个脚本。

#javascript code to get the image data from canvasvar canvas = document.getElementsByClassName('runner-canvas')[0];var img_data = canvas.toDataURL()return img_data

def grab_screen(_driver = None):    image_b64 = _driver.execute_script(getbase64Script)    screen = np.array(Image.open(BytesIO(base64.b64decode(image_b64))))    image = process_img(screen)#processing image as required    return image

图像处理

捕捉到的原始图像的分辨率为 600x150,具有 3 通道(RGB)。我们打算使用 4 个连续的屏幕截图作为模型的单个输入,这使得我们单个输入的尺寸为 600x150x3x4。输入太大,需要消耗大量的计算力,而且并不是所有的特征都是有用的,所以我们使用 OpenCV 库来调整、裁剪和处理图像。最终处理后的输入仅为 80x80 像素,而且是单通道(灰度,grey scale)。

def process_img(image):    image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)    image = image[:300, :500]    return image

图注:图像处理

模型架构

现在让我们看看模型架构。我们使用一系列的三个卷积层,然后将它们展平为密集层和输出层。针对 CPU 的模型不包括池化层,因为我已经删除了许多特征,添加池化层会导致本已稀疏的特征大量丢失。但有了 GPU 之后,我们的模型可以容纳更多的特征,而不用降低帧率。

最大池化图层显著改善了密集要素集的处理过程。

图注:模型架构

输出层由两个神经元组成,每个神经元代表每个动作的最大预测回报。然后我们选择具有最大回报( Q值)的动作。

def buildmodel():  

 print("Now we build the model")  

 model = Sequential()  

 model.add(Conv2D(32, (8, 8), padding='same',strides=(4, 4),input_shape=(img_cols,img_rows,img_channels)))  #80*80*4  

 model.add(MaxPooling2D(pool_size=(2,2)))  

 model.add(Activation('relu'))  

 model.add(Conv2D(64, (4, 4),strides=(2, 2),  padding='same'))    

model.add(MaxPooling2D(pool_size=(2,2)))    

model.add(Activation('relu'))    

model.add(Conv2D(64, (3, 3),strides=(1, 1),  padding='same'))  

 model.add(MaxPooling2D(pool_size=(2,2)))  

 model.add(Activation('relu'))    

model.add(Flatten())  

 model.add(Dense(512))  

 model.add(Activation('relu'))  

 model.add(Dense(ACTIONS))    

adam = Adam(lr=LEARNING_RATE)    

model.compile(loss='mse',optimizer=adam)    

print("We finish building the model")  

 return model

▌训练

以静止开始,并获得初始状态(s_t)

观察步骤数量

预测并执行操作

在 Replay Memory 中存储经验

从 Replay Memory 中随机选择一个批次并在此基础上训练模型

游戏结束后重新开始

def trainNetwork(model,game_state):  

 # store the previous observations in replay memory  

 D = deque() #experience replay memory  

 # get the first state by doing nothing    

do_nothing = np.zeros(ACTIONS)  

 do_nothing[0] =1 #0 => do nothing,          

          #1=> jump    x_t, r_0, terminal = game_state.get_state(do_nothing) # get next step after performing the action  

 s_t = np.stack((x_t, x_t, x_t, x_t), axis=2).reshape(1,20,40,4) # stack 4 images to create placeholder input reshaped 1*20*40*4    

   OBSERVE = OBSERVATION    epsilon = INITIAL_EPSILON    t = 0    while (True): #endless running          

     loss = 0  

     Q_sa = 0      

 action_index = 0  

     r_t = 0 #reward at t    

   a_t = np.zeros([ACTIONS]) # action at t           

   q = model.predict(s_t)      

#input a stack of 4 images, get the prediction      

 max_Q = np.argmax(q)    

    # chosing index with maximum q value    

   action_index = max_Q        

a_t[action_index] = 1    

   # o=> do nothing, 1=> jump      

       #run the selected action and observed next state and reward    

   x_t1, r_t, terminal = game_state.get_state(a_t)      

 x_t1 = x_t1.reshape(1, x_t1.shape[0], x_t1.shape[1], 1) #1x20x40x1    

   s_t1 = np.append(x_t1, s_t[:, :, :, :3], axis=3) # append the new image to input stack and remove the first one      

         D.append((s_t, action_index, r_t, s_t1, terminal))# store the transition      

         #only train if done observing; sample a minibatch to train on    

   trainBatch(random.sample(D, BATCH)) if t > OBSERVE else 0    

   s_t = s_t1    

   t += 1

请注意,我们正在从 replay memory 中抽样 32 个随机经验重放,并使用分批训练的方法。这样做的原因是游戏结构中的动作分布不平衡以及避免过度拟合。

def trainBatch(minibatch):  for i in range(0, len(minibatch)):            

   loss = 0          

     inputs = np.zeros((BATCH, s_t.shape[1], s_t.shape[2], s_t.shape[3]))   #32, 20, 40, 4            

   targets = np.zeros((inputs.shape[0], ACTIONS))                  

      #32, 2              

 state_t = minibatch[i][0]    # 4D stack of images        

       action_t = minibatch[i][1]   #This is action index            

   reward_t = minibatch[i][2]   #reward at state_t due to action_t              

 state_t1 = minibatch[i][3]   #next state            

   terminal = minibatch[i][4]   #wheather the agent died or survided due the action            

   inputs[i:i + 1] = state_t                

   targets[i] = model.predict(state_t)  # predicted q values      

         Q_sa = model.predict(state_t1)    

 #predict q values for next step        

       if terminal:                

   targets[i, action_t] = reward_t # if terminated, only equals reward          

     else:            

       targets[i, action_t] = reward_t + GAMMA * np.max(Q_sa)          

 loss += model.train_on_batch(inputs, targets)

结果

我们通过使用这种架构获得了良好的结果。下图显示了训练开始时的平均分数,训练结束时,每 10 场比赛的平均得分远远高于 1000 。

最高分数记录是 4000 +,远远超过了之前模型的的 250 分(也远远超过了大多数人所能做到的!) 。下图显示了训练期间比赛最高得分的进度。

Dino 的速度与分数成正比,这使得在更高的速度下检测和决定一个动作更加困难。因此,整个游戏都是以恒定速度训练的。

原文标题:东北大学研究生:用强化学习玩Chrome里的恐龙小游戏

文章出处:【微信号:AI_Thinker,微信公众号:人工智能头条】欢迎添加关注!文章转载请注明出处。

收藏 人收藏
分享:

评论

相关推荐

四轴机器人编程与应用

主题简介:本次直播主要讲解四轴机器人控制器基本原理及组成。四轴机器人的核心技术内嵌人工智能算法的工业级运动控制技术和伺服
发表于 10-30 00:00 11587次 阅读
四轴机器人编程与应用

四轴机器人编程与应用

主题简介:本次直播主要讲解四轴机器人控制器基本原理及组成。四轴机器人的核心技术内嵌人工智能算法的工业级运动控制技术和伺服
发表于 10-30 00:00 11587次 阅读
四轴机器人编程与应用

工业人工智能与企业转型应用案例

大家好,今天我想讲一些案例,因为我的一本新书《工业人工智能》马上要出版了,预计6月份会在上海宣布发布....
的头像 智能制造 发表于 06-18 11:37 0次 阅读
工业人工智能与企业转型应用案例

人工智能在农业上的应用有哪些

特别是随着产业互联网时代的到来,以新技术赋能实体产业观念崛起,科技企业、互联网巨头纷纷转型,“三农”....
发表于 06-18 11:27 6次 阅读
人工智能在农业上的应用有哪些

AI智能摄像头的智能云存储技术

智能监控摄像头JA-C9C是乔安与天猫联合打造的一款AI智能摄像头,具有分区侦测、全双工语音对讲、自....
发表于 06-18 10:39 7次 阅读
AI智能摄像头的智能云存储技术

利用AI事故分析系统提高车辆的安全性

现代与以色列初创公司MDGo合作,一同开发车用医疗人工智能系统,再都是由互联移动传输数据,打造下一代....
发表于 06-18 10:15 7次 阅读
利用AI事故分析系统提高车辆的安全性

用AI技术一次找回4名走失10年的孩子

研究人员对0岁-18岁的人脸的成长变化进行模拟建模,采用深度神经网络算法来学习这些人脸在成长过程中的....
发表于 06-18 10:10 18次 阅读
用AI技术一次找回4名走失10年的孩子

深度学习平台飞桨助力 百度让三百六十行都有AI

智能时代正在到来,大家对人工智能的认知,早已不仅仅局限于家里的智能音箱、手机里的智能助理、商场里的智....
发表于 06-18 10:04 12次 阅读
深度学习平台飞桨助力 百度让三百六十行都有AI

儿童智能投影机器人究竟是不是个好出路

儿童智能投影机器人是什么概念,一个集儿童智能机器人+投影仪为一体的机器人?简单先说一下儿童智能机器人....
发表于 06-18 09:41 7次 阅读
儿童智能投影机器人究竟是不是个好出路

探索轻量型机械臂的新机遇

慧灵科技合伙人胡月在会议上做了《探索轻量型机械臂的新机遇》为主题的演讲。
的头像 高工机器人 发表于 06-18 09:29 54次 阅读
探索轻量型机械臂的新机遇

物联赋能智能制造 移动创造价值

海康机器人华南区总经理陈少俊在会议上做了《物联赋能智能制造,移动创造价值》为主题的演讲。
的头像 高工机器人 发表于 06-18 09:25 60次 阅读
物联赋能智能制造 移动创造价值

中国已成为数字医疗行业的领军者

荷兰飞利浦公司发布的一份新报告显示,在数字医疗应用领域,中国已经超过其他国家。飞利浦本周一发布的报告....
发表于 06-18 09:22 9次 阅读
中国已成为数字医疗行业的领军者

为什么国产系统集成商不用国产本体?

即便国产机器人本体性能真的已经做到跟国外品牌很接近甚至超过国外品牌,谁来推?靠本体企业自己显然是不够....
的头像 高工机器人 发表于 06-18 09:22 50次 阅读
为什么国产系统集成商不用国产本体?

机器视觉之于人工智能等同于视觉之于人类

机器视觉之于人工智能等同于视觉之于人类,本文系统介绍决定机器视觉的两大要素——视觉算法和芯片,重点介....
的头像 机器视觉 发表于 06-18 09:08 72次 阅读
机器视觉之于人工智能等同于视觉之于人类

深度解析3D摄像头技术与应用报告

近几年,国外的巨头公司都在3D摄像头产业链上布局:意法半导体、滨松、欧司朗、艾迈斯、博通等元器件及模....
的头像 新机器视觉 发表于 06-18 08:59 98次 阅读
深度解析3D摄像头技术与应用报告

智能金字塔,目前的人工智能在哪一层?

60多年过去了,在人工智能大热的今天,人工智能究竟发展到哪一步了呢?
的头像 大数据文摘 发表于 06-18 08:58 66次 阅读
智能金字塔,目前的人工智能在哪一层?

科大讯飞助力粤港澳大湾区连接亚洲 为G20峰会打头战

共创一个共生共荣的人工智能产业生态圈,拥抱数字化未来。
的头像 科大讯飞 发表于 06-18 08:53 101次 阅读
科大讯飞助力粤港澳大湾区连接亚洲 为G20峰会打头战

华为Atlas人工智能计算平台正式启动 Vmall商城在线销售

Atlas 本次上线华为 Vmall 商城,为 AI 开发者提供更好的产品和服务体验。
的头像 华为智能计算 发表于 06-18 08:48 139次 阅读
华为Atlas人工智能计算平台正式启动 Vmall商城在线销售

华为任正非认为未来最重要的推动力量应该是人工智能

在谈论到人工智能话题时,任正非认为未来最重要的推动力量应该是人工智能。未来很多确定性工作就被人工智能....
发表于 06-18 08:46 20次 阅读
华为任正非认为未来最重要的推动力量应该是人工智能

你有在使用小度人工智能音箱吗

将传统自动贩卖机模式再升级而已,对于新零售以大数据为驱动、通过新科技和用户体验升级、积极整合在线线下....
发表于 06-18 08:32 10次 阅读
你有在使用小度人工智能音箱吗

基于AI智能安防系统的应用点和部署情况

用人工智能(AI) ,以提高安全性的赌场,预计在未来几年还会增加。但就目前而言,视频分析是AI可能最....
发表于 06-17 17:33 43次 阅读
基于AI智能安防系统的应用点和部署情况

世界军人运动碰上机器人会发生什么

我国农业在经历了以人力和畜力为主的传统农业后,随着农业信息化和农业机械化的快速发展,正大步迈入智慧农....
发表于 06-17 17:33 27次 阅读
世界军人运动碰上机器人会发生什么

人工智能物联网包括哪些方面

AIoT 能做到远远不止于此,格灵深瞳也始终在与众多合作伙伴进行探索,为用户提供更广泛、更高效的人工....
发表于 06-17 17:05 29次 阅读
人工智能物联网包括哪些方面

基於约束优化的算法:通用软件的益处

在全球智能化商业峰会」上,斯坦福大学荣誉教授、新西兰皇家学会荣誉成员、世界级算法专家 Michael....
的头像 人工智能学家 发表于 06-17 16:33 141次 阅读
基於约束优化的算法:通用软件的益处

智能家居怎样做才能被全民接受

在信息爆炸的时代,智能家居品牌如何主动而有效地进入消费者的视野,如何持续延续消费者的使用体验,是需要....
发表于 06-17 16:27 34次 阅读
智能家居怎样做才能被全民接受

物联网实现在全球范围内广泛应用还面临三大困难

据Gartner预测,到2020年,全球将有204亿件联网产品投入使用。如今,物联网广泛应用于几乎所....
发表于 06-17 15:56 47次 阅读
物联网实现在全球范围内广泛应用还面临三大困难

GE发布人工智能分析工具集应对电网运营难题

近日,通用电气(GE)子公司GE Power发布了一套新的基于人工智能的分析产品,从而帮助电网客户更....
发表于 06-17 15:47 39次 阅读
GE发布人工智能分析工具集应对电网运营难题

人工智能未来会替代医生吗

在医疗领域,人工智能正从前沿技术转变为现实应用。“人工智能医生”PK人类医生,谁更厉害?
发表于 06-17 15:44 54次 阅读
人工智能未来会替代医生吗

人工智能养猪已经成为现实

近日,一条“AI鲜肉铺”的话题上了微博热搜榜,引发网友热议,大家纷纷好奇,这是背后到底有何门道,肉铺....
发表于 06-17 15:36 37次 阅读
人工智能养猪已经成为现实

中国人工智能应用太窄 缺乏思想是最大问题

如何看待人工智能研究与应用目前的深层次问题,尤其是中国在这方面科研的能力,国内多家媒体日前群访了郭毅....
的头像 工业4俱乐部 发表于 06-17 15:18 213次 阅读
中国人工智能应用太窄 缺乏思想是最大问题

人工智能机器人 未来世界万物触手可见

麻省理工学院计算机科学与人工智能实验室的研究人员称,可以通过触摸学习视觉的机器人触手。在将于下周在加....
发表于 06-17 15:16 36次 阅读
人工智能机器人 未来世界万物触手可见

从指南针到北斗 中国导航系统促进世界互联互通

中国卫星导航系统管理办公室在维也纳联合国国际会议中心举办“中国古代导航展——从指南针到北斗”,从历史....
的头像 人工智能学家 发表于 06-17 15:13 236次 阅读
从指南针到北斗 中国导航系统促进世界互联互通

2019机器人的市场趋势是如何的

目前,沃尔玛已经向其1500多家大型商店派遣了一支机器人大军,配备了数千台自动货架扫描器、开箱机、人....
发表于 06-17 15:03 44次 阅读
2019机器人的市场趋势是如何的

为什么医疗需要人工智能来助力

人工智能已经发展了大半个世纪,经历几次大起大落。从上世纪80年代到本世纪初,人们对于深度学习探索较多....
发表于 06-17 14:56 54次 阅读
为什么医疗需要人工智能来助力

小语智能成功入围腾讯AI加速器三期终选 共建智慧产业生态

连接AI技术与行业场景,共同推动行业落地,共建智慧产业生态!
的头像 小语智能机器人 发表于 06-17 14:41 233次 阅读
小语智能成功入围腾讯AI加速器三期终选 共建智慧产业生态

中国凭借区块链技术如何领跑

随着区块链技术在各行各业的应用日益深入,中国的区块链技术实力也将进一步加强,从而为打造技术强国提供助....
发表于 06-17 14:40 59次 阅读
中国凭借区块链技术如何领跑

华捷艾米:新一代自研MR芯片获业内肯定

华捷艾米芯片荣膺2019双创周新技术新产品称号
的头像 AI华捷艾米 发表于 06-17 14:09 212次 阅读
华捷艾米:新一代自研MR芯片获业内肯定

未来餐厅的标配会是人工智能吗

现阶段多家全球500强餐饮酒店行业公司也开始整合人工智能技术,并在预订选择、到店消费、数字化运营等多....
发表于 06-17 13:53 25次 阅读
未来餐厅的标配会是人工智能吗

人工智能给我们带来了什么

界定人工智能技术,要看这个系统本身是否能够“思考”到更深的层次。
发表于 06-17 11:50 80次 阅读
人工智能给我们带来了什么

人工智能如何慢慢融入教育科目

人员可通过继续教育免费学习人工智能课程。
发表于 06-17 11:45 57次 阅读
人工智能如何慢慢融入教育科目

你知道人工智能面试官是什么吗

人工智能招聘系统一般是指通过视觉、身体特征、语音、语言等条件数据进行分析,来对求职者进行评价。
发表于 06-17 11:39 23次 阅读
你知道人工智能面试官是什么吗

佛山照明光亚展大放异彩 用智慧联接未来

在本届光亚展中,佛山照明展示了自身照明应用的前沿技术与产品,提供关于新照明技术的产品、新理念、新设计....
的头像 高工LED 发表于 06-17 11:31 265次 阅读
佛山照明光亚展大放异彩 用智慧联接未来

中建和旷视如何共同打造人工智能平台

核心目标是打造、研发面向未来的制造业行业级人工智能平台解决方案,并设计、规划、部署贯穿解决方案的系统....
发表于 06-17 11:23 43次 阅读
中建和旷视如何共同打造人工智能平台

人工智能和教育如何深度结合

积极推动人工智能与教育深度融合,促进教育变革创新,充分发挥人工智能优势,加快发展伴随每个人一生的教育....
发表于 06-17 11:17 36次 阅读
人工智能和教育如何深度结合

人工智能增长速度很快吗

人工智能仍然处于早期投入发展阶段,这些都让目前的猎豹面临重重挑战。
发表于 06-17 11:11 34次 阅读
人工智能增长速度很快吗

所有的智能物品都是人工智能产品吗

在人工智能领域,创新既要紧跟时代、具备前沿理论知识,又要静下心来、深钻业务,扑下身子、细研创新。
发表于 06-17 11:01 30次 阅读
所有的智能物品都是人工智能产品吗

人工智能如何筑梦未来

而多无人车智能集群协同、组装机器人等项目,则给孩子们提供了一个实际动手操作的平台,让小孩体验。
发表于 06-17 10:57 20次 阅读
人工智能如何筑梦未来

AI如何辅助宫颈癌筛查获

我们还将提高模型的可靠性,使其可以适应更大范围的试剂耗材与制片水平,将AI辅助筛查的应用拓展到更贴近....
发表于 06-17 10:52 32次 阅读
AI如何辅助宫颈癌筛查获

人工智能根基准则是什么

对于操纵人工智能所发生的内容或结果的版权问题,应该起首思量人工智能所发生的内容自己是否切合版权法对作....
发表于 06-17 10:43 363次 阅读
人工智能根基准则是什么

人工智能技术如何推动物流机器人发展

新技术在物流行业的应用,将优化包括机器人在内的多种物流要素配置,提高效率、降低成本,持续为中国乃至世....
发表于 06-17 10:38 24次 阅读
人工智能技术如何推动物流机器人发展

长沙是如何加快人工智能的发展的

聚焦“三智一自主”领域,设立人工智能产业发展专项资金,重点支持产业集聚、企业引培、研发创新、示范应用....
发表于 06-17 10:28 37次 阅读
长沙是如何加快人工智能的发展的

5G如何赋能未来汽车技术

随着中国发放5G牌照,5G技术逐渐进入人们的生活。
发表于 06-17 10:22 50次 阅读
5G如何赋能未来汽车技术

AI:对物联网安全的影响

在研究了高性能处理从云端到网络边缘的转变如何使物联网(IoT)蓬勃发展,并因此在本博客文章中为人工智能奠定了基础之后,还有...
发表于 05-29 10:47 105次 阅读
AI:对物联网安全的影响

人工智能:超越炒作

如果有一个真正的指标可以衡量新技术的破坏性,那肯定是公众对恐惧和怀疑的滔滔不绝。如果我们以社会焦虑作为衡量标准,那么目前...
发表于 05-29 10:46 112次 阅读
人工智能:超越炒作

人工智能上路需要知道什么常识

想要准确定义我们所说的常识可能有点难。常识可以基于某种文化,比如生活在某一地区的人都知道这种花有毒,而你作为游客却不知道...
发表于 05-13 06:20 239次 阅读
人工智能上路需要知道什么常识

【第5期】每周精选之人工智能资料汇总

为了方便大家查找技术资料,从今天开始,每个星期都会有一个社区资料总贴,同时也会选取一周的每天看电路和直播,让大家可以结合...
发表于 05-10 16:18 456次 阅读
【第5期】每周精选之人工智能资料汇总

智能控制、人工智能、智能算法的发展前景怎么样

浅谈智能控制、人工智能、智能算法的发展前景...
发表于 05-10 01:21 182次 阅读
智能控制、人工智能、智能算法的发展前景怎么样

【Elecfans社区精华帖】(190509):【限时免费领取】超值200G人工智能零基础最全学习资料包

发表于 05-09 18:36 371次 阅读
【Elecfans社区精华帖】(190509):【限时免费领取】超值200G人工智能零基础最全学习资料包

【专辑精选】人工智能之可穿戴技术教程与资料

电子发烧友总结了以“可穿戴技术”为主题的精选干货,今后每天一个主题为一期,希望对各位有所帮助!(点击标题即可进入页面下载...
发表于 05-08 18:12 308次 阅读
【专辑精选】人工智能之可穿戴技术教程与资料

【专辑精选】人工智能之神经网络教程与资料

电子发烧友总结了以“神经网络”为主题的精选干货,今后每天一个主题为一期,希望对各位有所帮助!(点击标题即可进入页面下载相...
发表于 05-07 19:18 419次 阅读
【专辑精选】人工智能之神经网络教程与资料

机器学习新手必学的三种优化算法(牛顿法、梯度下降法、最速下降法)

                           &nb...
发表于 05-07 08:30 309次 阅读
机器学习新手必学的三种优化算法(牛顿法、梯度下降法、最速下降法)

【专辑精选】人工智能之Python教程与资料

电子发烧友总结了以“Python”为主题的精选干货,今后每天一个主题为一期,希望对各位有所帮助!(点击标题即可进入页面下载相关...
发表于 05-06 17:57 355次 阅读
【专辑精选】人工智能之Python教程与资料