人工智能可以自動編寫html和css了，對此你怎么看？根據(jù)CSDN信息，keras中有一個名為screenshot to code的項(xiàng)目，當(dāng)時在GitHub中排名第一。該項(xiàng)目最強(qiáng)大的部分是：通過深入學(xué)

人工智能可以自動編寫html和css了，對此你怎么看？

根據(jù)CSDN信息，keras中有一個名為screenshot to code的項(xiàng)目，當(dāng)時在GitHub中排名第一。該項(xiàng)目最強(qiáng)大的部分是：通過深入學(xué)習(xí)，神經(jīng)網(wǎng)絡(luò)自動將設(shè)計草稿轉(zhuǎn)換成HTML和CSS代碼。這有多強(qiáng)大？也就是說，產(chǎn)品經(jīng)理可以編程并自動完成程序員的工作。只是產(chǎn)品經(jīng)理是人，但這是一臺機(jī)器。

這不得不讓我們恐慌，人工智能可能會大規(guī)模取代人類的工作。

首先，我們認(rèn)為程序員編程是一項(xiàng)技術(shù)性很強(qiáng)的工作。因?yàn)榇蠖鄶?shù)優(yōu)秀的程序員都有深厚的學(xué)術(shù)基礎(chǔ)，經(jīng)過長期的訓(xùn)練和實(shí)踐，他們可以獲得優(yōu)秀的技能。而且，計算機(jī)程序設(shè)計語言與我們的自然語言是完全不同的。要把人類的需求轉(zhuǎn)化為計算機(jī)編程語言，我們需要做的是先定義需求，然后讓程序員把我們的語言和表達(dá)轉(zhuǎn)化為計算機(jī)語言。

這個時候，計算機(jī)本身把設(shè)計稿變成了編程語言，這意味著人類語言的表達(dá)轉(zhuǎn)化成了計算機(jī)語言，計算機(jī)可以做到，這意味著計算機(jī)可以理解人類語言。

我們不談編程水平，但計算機(jī)編程水平不高。但由于其強(qiáng)大的性能，只要開機(jī)，電腦就可以繼續(xù)運(yùn)行，學(xué)習(xí)速度是人類無法達(dá)到的。所以對于人工智能來說，更重要的是數(shù)據(jù)、算法和硬件的改進(jìn)。起點(diǎn)低真的沒關(guān)系。

這樣，人工智能的到來可以提高生產(chǎn)力，豐富人類社會的物質(zhì)，使人們有更多的自由時間，從而更好地處理人與人之間的關(guān)系。

如何估算神經(jīng)網(wǎng)絡(luò)的最優(yōu)學(xué)習(xí)率？

。

具體來說，當(dāng)前主流的神經(jīng)網(wǎng)絡(luò)模型使用梯度下降算法進(jìn)行訓(xùn)練，或?qū)W習(xí)參數(shù)。學(xué)習(xí)速率決定權(quán)重在梯度方向上成批移動的距離。理論上，學(xué)習(xí)率越高，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度越快。但是，如果學(xué)習(xí)速率過高，可能會“穿越”損失函數(shù)的最小值，導(dǎo)致收斂失敗。

上圖左邊是高學(xué)習(xí)率，右邊是低學(xué)習(xí)率，來源：mikkel Duif（quora）

那么，如何找到最佳學(xué)習(xí)率？

方法。但是，這種方法的初始學(xué)習(xí)率（上例中為0.1）不應(yīng)該太高。如果初始學(xué)習(xí)率太高，可能會“穿越”最優(yōu)值。

另外，還有另外一種思路，就是逆向操作，從學(xué)習(xí)率很低開始，每批之后再提高學(xué)習(xí)率。例如，從0.00001到0.0001，再到0.001，再到0.01，再到0.1。這個想法背后的直覺是，如果我們總是以很低的學(xué)習(xí)率學(xué)習(xí)，我們總是可以學(xué)習(xí)到最好的權(quán)重（除非整個網(wǎng)絡(luò)架構(gòu)有問題），但它將非常緩慢。因此，從一個很低的學(xué)習(xí)率開始，我們可以肯定地觀察到損失函數(shù)的下降。然后逐漸加大學(xué)習(xí)率，直到學(xué)習(xí)率過高，導(dǎo)致發(fā)散。該方法還避免了上述方法初始學(xué)習(xí)率過高，一次“穿越”最優(yōu)值的隱患。這是Leslie n.Smith在2015年的論文《訓(xùn)練神經(jīng)網(wǎng)絡(luò)的循環(huán)學(xué)習(xí)率》中提出的方法。

CNN怎么調(diào)參數(shù)？

參數(shù)是超級參數(shù)。對于CNN，主要包括卷積核的大小、信道數(shù)和網(wǎng)絡(luò)結(jié)構(gòu)，如特征圖拼接和卷積池。訓(xùn)練中最有用的是分批標(biāo)準(zhǔn)化，它使模型快速收斂。

在單片機(jī)上跑神經(jīng)網(wǎng)絡(luò)，是不是有很廣泛的應(yīng)用范圍？

算法模塊集成在。

Keras還是TensorFlow，程序員該如何選擇深度學(xué)習(xí)框架？

如果您想用少量代碼盡快構(gòu)建和測試神經(jīng)網(wǎng)絡(luò)，keras是最快的，而且順序API和模型非常強(qiáng)大。而且keras的設(shè)計非常人性化。以數(shù)據(jù)輸入和輸出為例，與keras的簡單操作相比，tensorflow編譯碼的構(gòu)造過程非常復(fù)雜（尤其對于初學(xué)者來說，大量的記憶過程非常痛苦）。此外，keras將模塊化作為設(shè)計原則之一，用戶可以根據(jù)自己的需求進(jìn)行組合。如果你只是想快速建立通用模型來實(shí)現(xiàn)你的想法，keras可以是第一選擇。

但是，包裝后，keras將變得非常不靈活，其速度相對較慢。如果高度包裝，上述缺點(diǎn)將更加明顯。除了一些對速度要求較低的工業(yè)應(yīng)用外，由于tensorflow的速度較高，因此會選擇tensorflow

如果您在驗(yàn)證您的想法時，想定義損失函數(shù)而不是使用現(xiàn)有的設(shè)置，與keras相比，tensorflow提供了更大的個性空間。此外，對神經(jīng)網(wǎng)絡(luò)的控制程度將在很大程度上決定對網(wǎng)絡(luò)的理解和優(yōu)化，而keras提供的權(quán)限很少。相反，tensorflow提供了更多的控制權(quán)，比如是否訓(xùn)練其中一個變量、操作梯度（以獲得訓(xùn)練進(jìn)度）等等。

盡管它們都提供了深度學(xué)習(xí)模型通常需要的功能，但如果用戶仍然追求一些高階功能選擇，例如研究特殊類型的模型，則需要tensorflow。例如，如果您想加快計算速度，可以使用tensorflow的thread函數(shù)來實(shí)現(xiàn)與多個線程的相同會話。此外，它還提供了調(diào)試器功能，有助于推斷錯誤和加快操作速度。