假设 一个人工智慧演算法被用于判断人脸的性别。若此演算法已训练至70%的准确率。能否通过:输入一个未知人脸,判断性别。将输出结果和人脸作为训练数据,训练神经网路以更高的权重输出这个结果的方式,来提高演算法准确率。 本人也知道这个想法很荒谬。(本人高三党,突发奇想,求解答)
迁移学习
了解一下
「输入一个未知人脸,判断性别」,怎么知道对不对?
不荒谬, 我现在就在做这种事...
但你这个操作方法有问题, 不能直接增加权重, 你这样只会在过拟合的路上越走越远...
我前段时间我在做动漫图片检测与识别.
正常方法是直接用标注集训练, 然后不断反馈强化正确率
但是有个致命的问题, 不存在我要的这种标注数据集...
我开局只有一个电脑, 数据全靠造.
然后我就先撸了个爬虫, 让它自己去抓图.
然后自己先截一些人脸出来, 再直接随机截图生成不是人脸的东西.
构造一个二分类检测器, 用的残差架构, 随便训练一下.
接下来把这个训练完的检测器用于目标检测, 就是 R-CNN 两步走的战略...
然后 R-CNN 能自己把爬虫爬到的图片里的人脸检测出来截图了!
完美..........
可惜这样不行........
最大的问题在于, 存在误检, 假阳性(False Positive)只会不断地加深过拟合.
所以我作为人类, 这个顶级分类器的意见也是很重要的.
我要做的就是把假阳性重新扔进错误分类里然后下一轮重新强化学习
漏检这我也没办法了, 我又不能把图都下下来自己截, 一天上万张我怎么看.....
只能调阈值, 前期调高点, 因为分类器真的烂, 后期可以降低点, 得到更多的数据.
然后就是爬虫爬, 爬虫爬完检测检, 检测检完我复查, 我复查完修分类
然后就是一个正向反馈循环了, 噢耶, 人肉学习演算法......
人工智慧人工智慧, 多少人工多少智能.......
BP神经网路就是这种,以输出的信号做为反馈信号。
你说很多想法,可能已经有人实现了,总结成了网路图。
强化学习就是这种可以边工作边学习的功能,但需要一个强大的电脑,因为实时学习需要消耗很多计算资源,这一点计算机远不如各种动物。
在很多个人电脑和手机上,如果用这种实时的强化学习来计算视频,现在的晶元算力严重不足,在伺服器上可以用强大的显卡加速。未来估计深度学习要进一步发展,需要在晶元上加强了,苹果和华为都在7nm的手机晶元上有神经网路晶元,但对通用的智能计算来说并不好用,未来可能会有更加通用性能直逼显卡的神经网路晶元问世。
所以AI晶元是人工智慧产业竞争的关键。