深度神經網絡的案例
深度學習訓練營-使用 Python、Pytorch 的神經網絡 ￥10
在這段旅程結束時，您將對神經網絡有深入的了解，熟練應用深度神經網絡 （DNN） 來解決實際問題，并在卷積神經網絡 （CNN） 和從 MRI 圖像檢測腦腫瘤等尖端深度學習應用程序方面積累了專業知識。為什么選擇這門課程？本課程通過提供全面的學習路徑脫穎而出，該路徑融合了三個領先框架的基本方面：Python、PyTorch 和 TensorFlow。通過強調動手實踐和實際應用，您將快速從基本概念發展到掌握深度學習技術，最終創建復雜的 AI 模型。主要亮點：Python 從基礎開始學習 Python，逐步學習對實施深度學習算法至關重要的高級編程。PyTorch：掌握神經網絡的 PyTorch，包括用于圖像識別任務的張量運算、優化、autograd 和 CNN。TensorFlow：利用 Tensorboard 等工具實現模型可視化，釋放 TensorFlow 創建強大的深度學習模型的潛力。真實世界的項目：將您的知識應用于令人興奮的項目，例如 IRIS 分類、從 MRI 圖像中檢測腦腫瘤等。課程內容概述：模塊1：深度學習和Python簡介課程結構、學習目標和關鍵框架。Python 編程概述：從基礎到高級，確保您可以自信地實施任何深度學習概念。模塊 2：使用 Python 和 NumPy 的深度神經網絡 （DNN）使用 Python 和 NumPy 進行編程：了解數組、數據幀和數據預處理技術。使用 NumPy 從頭開始構建 DNN.實施機器學習算法，包括梯度下降、邏輯回歸、前饋和反向傳播.模塊 3：使用 PyTorch 進行深度學習了解張量及其在深度學習中的重要性。對張量執行操作并了解 autograd 以進行自動微分。使用 PyTorch 構建基本和復雜的神經網絡，實現 CNN 以執行高級圖像識別任務。
展開 深度學習核心技術實踐與圖神經網絡新技術應用研修班通知
深度學習核心技術實踐與圖神經網絡新技術應用研修班通知
任老師13716522485（微信同號
各企、事業單位：
國家“十四五”規劃中，“智能”“智慧”相關表述高達57處，這表明在當前我國經濟從高速增長向高質量發展的重要階段，以人工智能為代表的新一代信息技術，將成為我國“十四五”期間推動經濟高質量發展、建設創新型國家的重要技術保障和核心驅動力之一。當前，人工智能的發展，在很大程度上歸功于深度學習技術的發展。人們逐漸認識到，當你有了深度學習算法、模型，并構建了深度神經網絡時，需要足夠多的數據去訓練這個網絡。只有加入更多的數據，才會讓深度神經網絡變的更大、更好。通過使用深度學習，我們在很多傳統的AI領域取得了長足的進展，比如機器翻譯、語音識別、計算機視覺等等。同時，深度學習也可以逐步替換這些領域發展多年的專用算法。
為積極響應科研及工程人員的需求，根據《國務院關于推行終身職業技能培訓制度的意見》提出的“緊跟新技術、新職業發展變化，建立職業分類動態調整機制，加快職業標準開發工作”要求，中國管理科學研究院現代教育研究所（http://www.zgyxdjy.com）聯合北京龍騰亞太教育咨詢有限公司特舉辦“深度學習核心技術實踐與圖神經網絡新技術應用研修班”。本次培訓采用全實戰培訓模式。
本次培訓由北京龍騰亞太教育咨詢有限公司承辦并進行相關費用收取及發票開具。具體通知如下：
一、培訓專家:
中國科學院計算技術研究所、清華大學、北京理工大學等科研機構和大學的高級專家，擁有豐富的科研及工程技術經驗，長期從事人工智能、機器學習、深度學習、大數據分析等領域的教學與研究工作。
展開 比GPU快15倍，CPU算法訓練深度神經網絡“超車”成功
原創 青蘋果、LZM 數據實戰派 美國萊斯大學計算機系助理教授 Anshumali Shrivastava 深度神經網絡（deep neural networks，DNN）是人工智能的有力工具，在某些任務上的表現甚至已經超越人類專家的水平。對這類網絡的訓練，可以看作是一系列矩陣運算操作，特別適合交給 GPU 運算，它們運算效率遠高于 CPU，但是成本僅僅是 CPU 的 3 倍。 但是現在，情況已有所不同。 近日，來自美國萊斯大學（Rice University）的計算機科學家們證實，一種基于 CPU 的深度神經網絡訓練算法的訓練速度遠超過 GPU 算法，最高速度比后者快 15 倍。 論文名為 Accelerating SLIDE Deep Learning on Modern CPUs: Vectorization, Quantizations, Memory Optimizations, and More 。該工作的突出貢獻在于，提供了在現代 CPU 上實現深度學習的隨機算法的幾個新視角。 正如作者之一、萊斯大學助理教授 Anshumali Shrivastava 所說：“當前，訓練成本問題是人工智能的現實瓶頸。一些公司每周花費上百萬美元用于訓練和微調神經網絡…… 整個工業界都把目光集中于一類改進 —— 加速矩陣操作。大家都在尋找專用硬件和架構加速矩陣運算，甚至開始探討堆疊專用硬件來適應某一個深度學習模型。 但是，如果我們把目光稍稍移開，將注意力放回到算法上，可以一切都會不同。” SLIDE 算法 早在 2019 年，Shrivastava 的實驗室團隊就開始了算法層面加速深度學習訓練的努力，他們將深度神經網絡的訓練問題轉化為搜索問題，使用哈希表解決。
展開 深度學習|會開發AI的AI：超網絡有望讓深度學習大眾化
如果這些超網絡確實能成功的話，那么新的深度神經網絡的設計和開發，將不再是有錢和能夠訪問大數據的公司的專利了。任何人都可以參與其中。Knyazev 非常清楚這種“讓深度學習大眾化”的潛力，稱之為長期愿景。
然而，如果像GHN -2 這樣的超網絡真的成為優化神經網絡的標準方法， Veli?kovi?強調了一個潛在的大問題。他說，對于圖超網絡，“你有一個神經網絡——本質上是一個黑盒子——預測另一個神經網絡的參數。所以當它出錯時，你無法解釋[它]。”
不過，Veli?kovi? 強調，如果類似 GHN-2 這樣的超網絡真的成為優化神經網絡的標準方法的話，可能會有一個大問題。他說：“你會得到一個基本上是個黑箱的神經網絡，然后再用圖超網絡去預測另一個神經網絡的參數。如果它出錯，你沒法解釋錯在哪里。”
當然，神經網絡基本上也是這樣。Veli?kovi?說：“我不會說這是弱點，我把這叫做告警信號。”
不過Kipf看到的卻是一線希望。 “讓我最為興奮的是其他東西。” GHN-2 展示了圖神經網絡在復雜數據當中尋找模式的能力。
通常，深度神經網絡是在圖像、文本或音頻信號里面尋找模式，這類信息一般都比較結構化。但 GHN-2 卻是在完全隨機的神經網絡結構圖里面尋找模式。而圖是非常復雜的數據。
還有，GHN-2 可以泛化——這意味著它可以對未知、甚至不在分布范圍內的網絡結構的參數做出合理的預測。Kipf 說：“這項工作向我們表明，不同結構的很多模式其實多少是優點相似的，而且模型能學習如何將知識從一種結構轉移到另一種結構，這可能會啟發神經網絡新理論的誕生。”
如果是這樣的話，它可能會讓我們對這些黑箱有新的、更深入的理解。
轉載自：https://36kr.com/p/1628481160214024
人工智能技術與咨詢了解更多相關信息及知識
展開 
一種面向自動駕駛汽車定位的基于深度神經網絡的大尺度建圖方法
深度神經網絡亦是近年來智能駕駛研究的一大熱點。所推薦的這篇文章借助深度神經網絡生成滿足無人駕駛汽車需求的占用柵格地圖，并提供豐富的視頻材料證明了所提出方法能被成功用于實車無人駕駛。
摘要：
本文提出了一種使用名為NeuralMapper的深度神經網絡實時創建自動駕駛汽車所需占用地圖的新方法。NeuralMapper接收LiDAR傳感器數據作為輸入，并生成汽車周圍的占用柵格地圖作為輸出。NeuralMapper推算每個柵格地圖單元格作為以下三個類別之一的概率：占用、空閑和未知。該系統在兩個數據集上進行了測試，平均準確率分別為76.48%和73.81%。本文還使用自動駕駛汽車評估了所提出方法用于定位的效果，大多數定位位姿誤差小于0.20m，RMSE 為0.28m，這與其他文獻中使用其他柵格地圖建立方法的結果接近。
關鍵詞：
自動駕駛汽車，建圖，深度神經網絡
1 引言
在過去的二十年里，自動駕駛汽車取得了長足的進步。2004年，美國國防高級研究計劃局(DARPA)發起了第一次自動駕駛汽車競賽，目標是在沒有人為干預的情況下穿越莫哈韋沙漠[1]——在這場比賽中，沒有一個參賽者實現了目標。在第一次嘗試之后，DARPA在2005年和2007年推動了另外兩項競賽，分別有5輛和6輛汽車完成了提出的挑戰。這些事件極大促進了自動駕駛汽車的發展，推動了自動駕駛汽車在今天成為現實。谷歌、沃爾沃和優步等公司正在全球多個城市進行試驗，向公眾提供自動駕駛服務。
展開 3D打印出來的神經網絡，光速求解AI數學運算
由于當前的深度學習需要大量并行計算，GPU 成了更廣泛的選擇。但即使最先進的 GPU 也是用硅和銅制成的，信息需要沿著錯綜復雜的電路以脈沖的形式傳播。這就意味著，不論是執行新的計算還是重復的計算，傳統 GPU 都會產生能耗。
因此，當深度學習中的這些「層」已經完成訓練，并且所有參數的值都確定下來，它還會一次次地重復計算與耗能。這意味著 3D 打印 AI 分析系統在訓練完它的「層」后，還可以被優化，不會占用太大空間或 CPU 功率。來自 UCLA 的研究人員表示，它確實可以固化，這些層本身就是由透明材料制成的 3D 打印層，印有復雜的衍射圖案，這些圖案可以對光線進行處理。
圖 2：3D 打印的衍射深度神經網絡測試實驗。
如果這樣描述讓你覺得有點頭疼，不妨想想機械計算器。如今，數字計算都是在計算機邏輯中以數字形式完成的。但是過去，計算器需要移動實際的機械零件才能進行計算——數字加到 10 都會造成零件位置變換。從某種程度上來說，這種「衍射深度神經網絡」與之相仿：它使用并操縱數字的物理表示，而不是電子表示。這就代表著，如果將模型的預測過程固化為物理表示，那么它在實際預測過程中就能大大降低能耗。
正如研究人員所說：
給定層上的每個點傳輸或反射入射波，該入射波相當于通過光學衍射連接到下一層其它神經元的人工神經元。通過改變相位和振幅，每個「神經元」都是可調的。
「我們的全光深度學習框架能夠以光速執行各種復雜任務，基于計算機的神經網絡也可以實現這些任務。」研究人員在論文中描述其系統時寫道
為了證明這一點，他們訓練了一個深度學習模型來識別寫手寫數字。完成之后，他們會把矩陣數學層轉化為一系列的光學變換。
展開 用Python控制Comsol自動運行方法（三）：構建并訓練深度神經網絡代理模型
為了提高效率，可以使用Python控制COMSOL，結合深度神經網絡（DNN）構建代理模型。
具體而言，Python腳本可以自動化COMSOL的仿真流程，生成訓練數據集。這些數據包括輸入參數（如幾何尺寸、材料屬性）和輸出結果（如場分布、響應值）。隨后，DNN模型通過這些數據進行訓練，學習輸入與輸出之間的復雜非線性關系。訓練好的代理模型能夠在毫秒級時間內預測結果，顯著提升計算效率。
這種方法的優勢在于：
自動化：Python腳本簡化了數據生成和模型訓練流程；
高效性：DNN代理模型減少了對COMSOL仿真的依賴；
可擴展性：適用于多種科學計算場景。
具體案例
接下來給大家展示一下如何用python控制一個1D鋰電池Comsol模型生成不同設計參數下電池性能的數據集，然后基于生成的數據集構建并訓練DNN代理模型。整個過程都是自動化運行，相比于直接使用Comsol本身自帶的DNN模型來說要更加高效。
操作步驟如下：
1.用Comsol創建一個1D鋰電池模型
2.在pyhon中連接并加載上述模型
3.定義四個特征參數的空間范圍，并在該范圍內利用LHS生成300個組設計參數
四個特征參數分別是C_rate（放電倍率）、L_pos(正極涂層厚度）、epss_neg(負極活性物質體積分數）和epss_pos(正極活性物質體積分數）。這四個參數都是對電池性能影響比較大的參數。
4. 自動計算上述300組設計參數下的放電性能（體積能量密度E_vol和相應的平均功率密度P_vol_ave）
可以看到第二組設計參數不合理，出現了不收斂的情況。300組設計參數計算所需的總時間為1934.21 s， 并將計算結果自動保存到csv文件。
展開 又一款AI深度學習神經網絡芯片面世
16日，臺灣師范大學與視芯（AVSdsp）公司合作開發的小型人工智能（AI）深度學習神經網絡芯片“AI小鼠Mipy”在臺師大發布，引發關注。這款芯片由臺灣師范大學電機工程系AI與機器人團隊的教授提供AI設計概念與應用框架，視芯公司設計芯片系統。
據悉，該芯片是以協同處理器方式放在主控芯片旁，能夠以簡單、快速、低價的方式，幫助初級影音處理產品升級，實現智能感測AI功能。
視芯公司首席執行官沈聯杰說，“AI小鼠Mipy”智能芯片可以簡易地連接在任何微控制單元或中央處理器旁，扮演智能助理，檢測與辨識要判別的影像和聲音。
“芯片還有一定的學習能力，經過像人類一樣反復地練習，可以在單一事物的識別能力上超越人類。”他說，例如，家里的空調溫度是否合適，燈光是否合適，音樂大小是否合適，掃地機器人該去哪里打掃，都可以由芯片來控制。
沈聯杰介紹說，功能強大的AI芯片應用發展太復雜費時，也太貴，但輕量級的AI芯片應用將很快來到人們身邊。
據介紹，該芯片適用于家居、車載、廣告、安防、工業、商業、教育，以及多種玩具產品。
沈聯杰說，過去十年，公司和大陸機構在芯片研發上有過合作，也已將“AI小鼠Mipy”智能芯片推薦給深圳、北京的公司，他看好大陸芯片市場前景。
來源：新華網
展開 周志華教授：關于深度學習的一點思考
來源 | 周志華教授，專知
前言：深度學習有很多問題目前還不清楚。例如深度神經網絡為什么要“深”？它成功背后的關鍵因素是什么？深度學習只能是深度神經網絡嗎？本文將分享一些我們關于深度學習的粗淺思考。
1 引言
深度學習已被廣泛應用到涉及圖像、視頻、語音等的諸多任務中并取得巨大成功。如 果我們問“深度學習是什么？”很可能會得到這樣的回答：“深度學習就是深度神經網 絡”。至少在目前，當“深度學習”作為一個術語時幾乎就是“深度神經網絡”的同義詞， 而當它指向一個技術領域時則如 SIAM News 頭版文章所稱[1]，是“機器學習中使用深度神經網絡的子領域”。關于深度學習有很多問題還不清楚。例如深度神經網絡為什么要“深”？它成功背后的關鍵因素是什么？深度學習只能是深度神經網絡嗎？本文將分享一些我們關于深度學習的粗淺思考。
2 深度神經網絡
神經網絡并不是“新生事物”，它已經被研究了半個多世紀[2]。傳統神經網絡通常包 含一個或兩個隱層，其中每個“神經元”是非常簡單的計算單元。如圖 1 所示，神經元 接收來自其他神經元的輸入信號，這些信號通過連接權放大，到達神經元之后如果其總 量超過某個閾值，則當前神經元就被“激活”并向外傳遞其輸出信號。實際上每個神經 元就是圖 1 中非常簡單的計算式，而所謂神經網絡就是很多這樣的計算式通過嵌套迭代 得到的一個數學系統。
今天的“深度神經網絡”是指什么？簡單來說，就是有很多隱層的神經網絡。
展開 關于神經網絡的簡介
這套實時語音機器翻譯系統就是基于神經網絡算法，由微軟和多倫多大學歷時兩年共同研發。這個被命名為“深度神經網絡”的技術，模仿由不同層次神經元構成的人腦，組成一個多層次的系統。整個系統共分為9層，最底層用來學習將要進行分析的語音有哪些特征，上一層就將這些分析進行組合，并得出新的分析結果，這樣經過多次分析處理之后，增加識別的準確性。而最上面的一層用來分析出聽到的聲音究竟是哪個音組，再通過和已注明音組的語音庫里的數據進行比對，從而將正確的結果反饋出來。經過如此復雜精密的處理之后，系統對于語音的識別能力就會有顯著的提升，其性能優于以往的辦法。
根據微軟的測試，運用了這種“深度神經網絡”技術的實時語音翻譯器，相比舊系統出錯率至少降低30%，最好的情況下能達到8個單詞僅錯1個，這是一個非常不錯的成績了。這個實時語音翻譯器已經能支持包括普通話在內的26種語言，不過這個實時語音翻譯器目前還不成熟，使用之前必須先在系統中輸入1個小時以上的音頻資料，讓系統識別發言人聲音中那些細微的差別，從而建立起語音數據庫，才能發出與發言人相近的聲音。雖然離面世還有一段距離，不過已經可以看到機器同聲傳譯的并不是遙不可及的事情了。
如果說微軟的實時語音翻譯器離我們有點遙遠，那么不妨看看谷歌運用神經網絡對于Android系統的改進吧。手機CPU性能的不斷增強，除了帶來更好的游戲性能，也讓手機系統獲益良多。代號為“果凍豆”的Android 4.1系統界面變得更為流暢，使用需要海量計算工作的神經網絡也成為了可能。 Android 4.1系統的語音系統的一大改進就是采用了神經網絡算法。當用戶對著Android手機發出語音指令之后，就會由神經網絡算法來進行處理，同樣是先由軟件挑出用戶語音中組成單詞的不同元音和輔音。然后由另外的軟件對挑出的信息進行組合、分析，并進行猜測，再給出新的信息。
展開 卷積神經網絡表征可視化研究綜述
關鍵詞：深度學習、卷積神經網絡、可解釋性、表征可視化、顯著圖
近年來, 以深度神經網絡(Deep neural networks, DNN)為代表的機器學習方法逐漸興起[1]. 由于訓練數據的增加[2-3]及計算能力的大幅提升, DNN的網絡結構及與之相適應的優化算法[4-6]變得更加復雜, DNN在各項任務上的性能表現也越來越好, 產生了多種適用于不同類型數據處理任務的經典深度網絡結構, 如卷積神經網絡(Convolutional neural network, CNN)和循環神經網絡(Recurrent neural network, RNN). 對于圖像數據處理與識別領域, CNN是一種十分常用的網絡結構, 在圖像分類、目標檢測、語義分割等任務上取得了非常好的效果, 已經成為該領域應用最廣泛的基礎模型[7].
如圖1所示, 傳統機器學習算法采用人工設計的特征集, 按照專家經驗和領域知識將其組織到機器學習算法中. 由于設計人員本身了解這些被定義特征的具體含義, 因此, 傳統機器學習方法一定程度上是可解釋的, 人們大致明白算法對各種特征的依賴以及算法的決策依據. 例如, 線性模型可使用特征對應的權重代表特征重要程度. 相比于傳統機器學習算法, 以CNN為代表的深度學習算法屬于特征學習或表示學習, 可對輸入數據進行自動特征提取及分布式表示, 解決了人工特征設計的難題. 這一優勢使其能夠學習到更加豐富完備的且含有大量深層語義信息的特征及特征組合, 因此在性能表現上超過多數傳統機器學習算法.
展開 
卷積神經網絡簡介 ￥5
?
?
卷積神經網絡 （CNN） 是計算機視覺中常用的一種深度學習神經網絡架構。計算機視覺是人工智能的一個領域，它使計算機能夠理解和解釋圖像或視覺數據。
在機器學習方面，人工神經網絡表現非常出色。神經網絡用于各種數據集，如圖像、音頻和文本。不同類型的神經網絡用于不同的目的，例如，為了預測單詞序列，我們使用循環神經網絡，更準確地說是 LSTM，同樣，對于圖像分類，我們使用卷積神經網絡。在本博客中，我們將為 CNN 構建一個基本構建塊。
?
目錄
神經網絡：層和功能
卷積神經網絡
CNN 架構
卷積層是如何工作的？
卷積的數學概述
用于構建 ConvNet 的層
神經網絡：層和功能
在常規神經網絡中，有三種類型的層：
Input Layers（輸入層）：這是我們為模型提供輸入的層。該層中的神經元數量等于我們數據中的特征總數（圖像中的像素數）。
隱藏層：然后，來自 Input 層的輸入被饋送到隱藏層中。根據我們的模型和數據大小，可以有許多隱藏層。每個隱藏層可以有不同數量的神經元，這些神經元通常大于特征的數量。每一層的輸出是通過矩陣乘前一層的輸出與該層的可學習權重，然后加上可學習偏差，然后是激活函數來計算的，這使得網絡非線性。
輸出層：然后將隱藏層的輸出饋送到 sigmoid 或 softmax 等 logistic 函數中，該函數將每個類的輸出轉換為每個類的概率分數。
將數據輸入模型并從上述步驟獲得每一層的輸出稱為前饋，然后我們使用誤差函數計算誤差，一些常見的誤差函數是交叉熵、平方損失誤差等。
展開 神經網絡與深度學習
<div contenteditable="false" width="100%">
<p><img src="~/assets/images/editor/attachment.png" style="vertical-align: middle"> <a href="https://img.jishulink.com/202401/attachment/4597ed85bdc047aab202984f62dd7856.pdf" target="_blank" rel="nofollow">Deep Learning in Neural Networks-An Overview.pdf</a></p>
</div><p><br></p>
展開 卷積神經網絡（CNN）簡介-1 ￥2
? 卷積神經網絡
卷積神經網絡（CNN）是人工神經網絡（ANN）的擴展版本，主要用于從網格狀矩陣數據集中提取特征。例如，數據模式起著廣泛作用的圖像或視頻等視覺數據集。
? CNN架構
卷積神經網絡由多個層組成，如輸入層、卷積層、池化層和全連接層。
卷積層對輸入圖像應用過濾器以提取特征，池化層對圖像進行下采樣以減少計算，全連接層進行最終預測。網絡通過反向傳播和梯度下降來學習最佳濾波器。
卷積層是如何工作的？
卷積神經網絡或covnet是共享其參數的神經網絡。假設您有一張圖片。它可以表示為具有長度、寬度（圖像尺寸）和高度（即圖像通常具有紅色、綠色和藍色通道的通道）的長方體。
現在想象一下，從這張圖片中獲取一小塊，并運行一個小型神經網絡，稱為過濾器或內核，其中包含 K 個輸出，并垂直表示它們。現在在整個圖像上滑動該神經網絡，結果，我們將得到另一個具有不同寬度、高度和深度的圖像。現在，我們不僅有 R、G 和 B 通道，而且有更多的通道，但寬度和高度更小。此操作稱為卷積。如果補丁大小與圖像的大小相同，它將是一個常規神經網絡。由于這個小塊，我們的權重較少。
? 卷積的數學概述
現在讓我們談談整個卷積過程中涉及的一些數學運算。
? 卷積層由一組可學習的濾波器（或內核）組成，這些濾波器的寬度和高度較小，深度與輸入體積的深度相同（如果輸入層是圖像輸入，則為 3）。
? 例如，如果我們必須對尺寸為 34x34x3 的圖像運行卷積。濾鏡的可能大小可以是 axax3，其中 'a' 可以是 3、5 或 7 之類的大小，但與圖像尺寸相比更小。
? 在前向傳遞期間，我們逐步在整個輸入體積上滑動每個濾波器，其中每個步驟稱為步幅 （對于高維圖像，該值可以是 2、3 甚至 4），并根據輸入體積計算內核權重和補丁之間的點積。
展開 聯結主義AI技術在Tesla Vision技術體系中的地位和未來
Hinton曾經提到過，當下通行的深度神經網絡往往在兩個時間尺度下工作，一快一慢。快的是成型的深度神經網絡對待輸入的響應，這個響應速度是可以做到類比人類的（小編：實際的腦科技術進步展示了人腦內部神經元激活和去激活之間傳遞能量的速度其實也并不快，如果傳遞介質發生在一種微小的無髓鞘管內部時，其速度也就是每秒二十幾米的水平）。而慢的是深度神經網絡在學習周期、參數調整周期內的慢，往往取決于數據多寡和人類為其設計的訓練、更新的制度……Hinton說人類腦神經元其實是可以在多個時間尺度下工作的，即便是參數重新訓練、部署最終收斂的流程，也可以被壓縮到很小的尺度上去完成，這提供給我們一個新思路。
圖九【Tesla FSD beta v9-44.png】來自：
https://www.youtube.com/watch?v=VsnQf7exv5I截圖；
Tesla Vision能力的形成，在Tesla Data engine的循環周期中，四個月7次完整的過程，并最終收斂和商用。小編想這是針對美國單一市場的、小規模車隊需求的時間尺度。世界上應該沒有第二家可以做到類似水平吧？蔚來在發布ET7的時候，李斌曾經提到ET7的機載計算機（自動駕駛功能主用）將會部署專門的計算資源，執行所謂的“本地數據清洗——訓練——和單車部署”部署，從而加速單車范圍內的模型實現快速迭代。這是非常好的思路…….也是吻合Geoffrey Hinton思路的實現方式。
關于“聯結主義”對于自動駕駛的貢獻和未來的潛力，小編想用Elon Musk在去年國內智能SAIC上的講話來結束今天的話題。
展開 