北京哪些医院白癜风好 https://m.sohu.com/n/461055589大数据文摘编译作品编译：汪小七、Fei、什锦甜、钱天培“人类对周遭世界的认知，只是我们脑海中的一个模型。”——系统动力学之父J.W.ForresterLSTM之父JurgenSchmidhuber再发新作！这一次，他借鉴了人类认知世界的模式，为机器建造了一个世界观模型。诸多证据表明，人脑为了处理日常生活中的海量信息，学会了对这些时空信息作出抽象化的处理。借此，我们能够在面对周遭复杂的信息时，进行迅速而准确的分析。而我们在当前所“看”到的这个世界，也受到了大脑对未来世界预测的影响。比方说，棒球选手可以毫不费力地击中打时速英里的棒球，正是得益于大脑对棒球运动轨迹的精确判断。那么，我们能不能让机器也学会这样的世界观呢？机器有了世界观后又将具备怎么样的能力呢？今天，文摘菌就带你一起来读LSTM之父的一篇最新力作。同时，文摘菌也会手把手教你训练出一个有简单世界观的AI赛车手。到底有多厉害，试了就知道！在大数据文摘后台回复“世界观”可下载这篇论文~提出问题让我们通过一个具体案例来探究这个问题：如何让机器拥有世界观？假设我们要训练出一个AI赛车手，让它擅长在2D赛道上驾驶汽车。示例如下图。在每个时间节点，这个AI赛车手都会观察它的周围环境（64×64像素彩色图像），然后决定并执行操作——设定方向（-1到1）、加速（0到1）或制动（0到1）。在它执行操作后，它所处的环境会返回下一个观测结果。以此类推，这个过程讲不断重复。它的目标是，在尽可能短的时间内走完赛道。解决方案我们给出一个由三部分组成的解决方案。变分自编码器（VAE）当你在开车的时候做决定时，你并不会主动分析你视图中的每一个“像素”——相反，你的大脑会将视觉信息凝聚成较少数量的“隐藏”实体，比如道路的笔直程度、即将到来的弯道以及你在道路中的相对位置，从而判断出你需要操作的下一个动作。这正是VAE的要义所在——将64x64x3（RGB）输入图像压缩成一个长度为32的特征向量（z）。借此，我们的AI赛车手可以用更少的信息去表示周围的环境，从而提高学习效率。递归神经网络（RNN）没有递归神经网络的AI赛车手可能会把车开成这样。。。回想一下。当你开车的时候，其实是会对下一秒可能出现的情况进行持续预估的。而RNN就能够模拟这种前瞻性思维。与VAE类似，RNN试图捕捉到汽车在其所处环境中当前状态的隐藏特性，但这次的目的是要基于先前的“z”和先前的动作来预测下一个“z”的样子。控制器（Controller）目前为止，我们还没有提到任何有关选择动作的事情。因为，这些选择都是控制器要做的。控制器是一个密集连接的神经网络，输入是z（VAE的当前隐藏状态——长度为32）和h（RNN的隐藏状态——长度为）的串联，3个输出神经元对应于三个动作，并被缩放到适当的范围内。为了理解这三个组成部分所担任的不同角色，以及他们是如何一起工作的，我们可以想象他们之间的一段对话：世界模型体系结构图VAE：（
转载请注明地址:http://www.1xbbk.net/jwbzn/6346.html
