大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于ai神經(jīng)網(wǎng)絡(luò)算法的問題，以下是小編對此問題的歸納整理，讓我們一起來看看吧。

ChatGPT國內(nèi)免費(fèi)在線使用，一鍵生成原創(chuàng)文章、方案、文案、工作計(jì)劃、工作報告、論文、代碼、作文、做題和對話答疑等等

只需要輸入關(guān)鍵詞，就能返回你想要的內(nèi)容，越精準(zhǔn)，寫出的就越詳細(xì)，有微信小程序端、在線網(wǎng)頁版、PC客戶端

官網(wǎng)：https://ai.de1919.com

本文目錄:

• 1、制作ai神經(jīng)網(wǎng)絡(luò)能買錢嗎

• 2、薩摩耶云：模型數(shù)據(jù)升維，AI決策“破圈”

• 3、AI面試題第二彈(神經(jīng)網(wǎng)絡(luò)基礎(chǔ))

• 4、人工智能神經(jīng)網(wǎng)絡(luò)論文

一、制作ai神經(jīng)網(wǎng)絡(luò)能買錢嗎

能。神經(jīng)網(wǎng)絡(luò)是一種模仿動物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型。神經(jīng)網(wǎng)絡(luò)被用于從物流、客戶支持到電子商務(wù)零售的各個領(lǐng)域，所以是能的。這種網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜程度，通過調(diào)整內(nèi)部大量節(jié)點(diǎn)之間相互連接的關(guān)系，從而達(dá)到處理信息的目的。

二、薩摩耶云：模型數(shù)據(jù)升維，AI決策“破圈”

本刊訊 人類對人工智能的想象和 探索 ，從未止步。

隨著數(shù)據(jù)、算法、算力能力提升，人工智能的應(yīng)用場景深入到生活的方方面面。我們在搜索引擎上輸入關(guān)鍵詞后，網(wǎng)頁會自動匹配相關(guān)搜索內(nèi)容；短視頻App能根據(jù)我們的瀏覽習(xí)慣，推送相似的博主和場景；對著智能手機(jī)等移動終端喊話，便能調(diào)用相關(guān)功能，實(shí)現(xiàn)人機(jī)交互。

以人工智能為代表的數(shù)字化產(chǎn)業(yè)快速向前推進(jìn)，產(chǎn)業(yè)數(shù)字化轉(zhuǎn)型也成為不可逆的趨勢，各行各業(yè)都在尋求與自身商業(yè)模式相匹配的AI大腦。AI決策能力，正是AI大腦的內(nèi)核，它決定了AI解決方案的效率和可執(zhí)行性。

AI決策由模型性能決定，而模型性能的好壞，離不開人工智能三駕馬車的拉動——數(shù)據(jù)、算法、算力。其中，數(shù)據(jù)在模型搭建過程中起基礎(chǔ)性作用，一個模型的優(yōu)劣，百分之八十取決于數(shù)據(jù)和樣本的維度，正如巧婦難為無米之炊。

因此，數(shù)據(jù)提升對于模型優(yōu)化有著基礎(chǔ)性、全局性的作用，而數(shù)據(jù)與模型也是AI系統(tǒng)的重要組成部分。目前，AI模型開發(fā)及應(yīng)用難點(diǎn)，主要在于數(shù)據(jù)應(yīng)用和算法創(chuàng)新上，其中，后者更多體現(xiàn)的是建模方法的適當(dāng)性。

數(shù)據(jù)應(yīng)用維度不足。從AI決策的模型發(fā)展現(xiàn)狀來看，當(dāng)前很多模型僅僅是基于二維的數(shù)據(jù)組織形式來構(gòu)建，沒有考慮到數(shù)據(jù)在完整周期中的時間節(jié)點(diǎn)變化。最終容易導(dǎo)致模型的辨識度、準(zhǔn)確度、穩(wěn)定性失衡，AI決策效果大打折扣。

例如，在視頻推薦和電商推薦場景中，如果模型僅是在用戶賬戶、行為屬性、社交記錄、交易結(jié)果等標(biāo)準(zhǔn)數(shù)據(jù)集上構(gòu)建和優(yōu)化，沒有納入用戶在決策過程中的重要時間節(jié)點(diǎn)下的行為表現(xiàn)，可能就會使模型效果過于擬合，不能夠精準(zhǔn)地預(yù)判用戶喜好以及交易風(fēng)險控制。

一般來講，二維數(shù)據(jù)的維度主要表現(xiàn)為樣本維度和特征維度。樣本維度常常為用戶ID信息或者是訂單編號，特征維度則為用戶人口屬性、行為屬性、外部資信等信息。二維數(shù)據(jù)模式下，用戶在每個時間點(diǎn)只對應(yīng)一條變量。

回到實(shí)際業(yè)務(wù)場景，用戶在不同的時間節(jié)點(diǎn)會呈現(xiàn)不同的行為表現(xiàn)，盡管這些表現(xiàn)強(qiáng)度存在差異化，但最終會反饋到行為特征上。如果把不同時間節(jié)點(diǎn)的用戶特征行為差異，盡可能納入建模過程，那么原有的一對一二維數(shù)據(jù)就延展至一對多的時間序列形式，也就是說把數(shù)據(jù)應(yīng)用升維到樣本維度、時間維度、特征維度的三維數(shù)據(jù)組織形式。

三維數(shù)據(jù)不僅能降低數(shù)據(jù)集特征不足的影響，而且能最大程度挖掘數(shù)據(jù)價值，增加特征數(shù)量，提升模型準(zhǔn)確性。尤其是在業(yè)務(wù)數(shù)據(jù)獲取時，外部資信等數(shù)據(jù)往往會遇到接入不確定因素，而內(nèi)部數(shù)據(jù)數(shù)量和類型有限，并且利用程度趨于飽和。

但對于模型開發(fā)而言，更高的精準(zhǔn)度和辨識度，要求引入更多維度的數(shù)據(jù)，挖掘數(shù)據(jù)規(guī)律，生成更多衍生變量。一旦無法從數(shù)量維度獲取更多變量，那么只能從質(zhì)量角度下功夫，向深度挖掘變量內(nèi)部信息，其中一對多的時間序列角度的升維就是深挖數(shù)據(jù)信息的方法之一。

其實(shí)，數(shù)據(jù)升維可用于AI模型優(yōu)化的場景非常多，例如在股票、基金的智能投顧業(yè)務(wù)中，AI模型的數(shù)據(jù)應(yīng)用加入時間維度，與樣本維度和個股、個基一起構(gòu)成三維樣本，便能把節(jié)點(diǎn)變量考慮在內(nèi)，更加精準(zhǔn)預(yù)判未來走勢。

要想通過高維時序數(shù)據(jù)實(shí)現(xiàn)模型優(yōu)化，僅停留在數(shù)據(jù)層面遠(yuǎn)遠(yuǎn)不夠，還需對算法提升。決定模型好壞的剩下20%，正是建模方法的選擇，而與高維時序數(shù)據(jù)處理相匹配的算法通常為基于神經(jīng)網(wǎng)絡(luò)算法的深度學(xué)習(xí)。

以薩摩耶云為例，薩摩耶云基于深度學(xué)習(xí)框架， 探索 數(shù)據(jù)升維用于模型性能的提升，研發(fā)出適用于多行業(yè)和場景的AI解決方案，滿足企業(yè)高效智能決策的需求。同時，這些端到端的云原生 科技 解決方案，以SaaS+aPaaS形式提供交付，通過雙方系統(tǒng)對接實(shí)現(xiàn)信息實(shí)時交互，能為合作伙伴輸出基于云的智能決策服務(wù)。

在薩摩耶云首席科學(xué)家王明明看來，更高維度的時序數(shù)據(jù)建模意味著對現(xiàn)有的業(yè)務(wù)數(shù)據(jù)的重新理解、更多的數(shù)據(jù)信息、更復(fù)雜的數(shù)據(jù)組織方式、更高的機(jī)器性能要求、存儲要求以及模型上線要求。以高維時序數(shù)據(jù)為基礎(chǔ)，施以神經(jīng)網(wǎng)絡(luò)來訓(xùn)練，加工多維變量特征，最終建立并優(yōu)化模型的AI決策能力。

具體來看，作為機(jī)器學(xué)習(xí)的重要分支，神經(jīng)網(wǎng)絡(luò)是從數(shù)據(jù)中學(xué)習(xí)表示的一種新的方法，強(qiáng)調(diào)從連續(xù)地層中進(jìn)行學(xué)習(xí)。在神經(jīng)網(wǎng)絡(luò)算法驅(qū)動下，模型可在同一時間共同學(xué)習(xí)所有表示層，可能包含數(shù)十個甚至上百個連續(xù)層，而其他機(jī)器學(xué)習(xí)方法往往僅僅學(xué)習(xí)一兩層的數(shù)據(jù)表示。

神經(jīng)網(wǎng)絡(luò)在高維時序數(shù)據(jù)學(xué)習(xí)中，一方面通過漸進(jìn)的、逐層式的方式形成越來越復(fù)雜的表示；另一方面，對漸進(jìn)的表示共同進(jìn)行學(xué)習(xí)，每一層的變化都需要同時考慮上下兩層的需要。這意味著，循環(huán)神經(jīng)網(wǎng)絡(luò)引入狀態(tài)變量時，能保存每個時刻的信息，并且與當(dāng)前的輸入共同決定此刻的輸出。

從薩摩耶云的AI決策實(shí)踐來看，薩摩耶云在模型搭建過程中，不僅考慮了以往的樣本維度和特征維度，還把各時間節(jié)點(diǎn)的用戶特征差異納入考量，通過三維數(shù)據(jù)加工完善數(shù)據(jù)特征。在此基礎(chǔ)上，薩摩耶云利用神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)，建立和訓(xùn)練模型，實(shí)現(xiàn)比常規(guī)模型更為高效的模型效果。

這對于提升模型的預(yù)判能力和精準(zhǔn)度至關(guān)重要。就像閱讀一段新聞，如果僅僅從每一個字、每一個詞組來理解，很容易斷章取義，無法真正明白新聞所指。但把新聞構(gòu)成中的字詞句連貫起來，并置于各個背景節(jié)點(diǎn)中，就可以理解新聞的準(zhǔn)確意思。

當(dāng)薩摩耶云把基于神經(jīng)網(wǎng)絡(luò)等技術(shù)的AI模型，應(yīng)用于實(shí)際業(yè)務(wù)場景之中，能進(jìn)一步放大數(shù)據(jù)價值，幫助企業(yè)增強(qiáng)預(yù)測分析能力，提升精準(zhǔn)營銷、銷售管理、供應(yīng)鏈協(xié)作、結(jié)果預(yù)測、風(fēng)險控制的效率，進(jìn)而實(shí)現(xiàn)從經(jīng)驗(yàn)決策到智能決策，達(dá)到降本增效的效果。

實(shí)驗(yàn)數(shù)據(jù)也表明，用神經(jīng)網(wǎng)絡(luò)的時間序列來做變量衍生，可以產(chǎn)生較為顯著的變量增益效果，衍生變量可以直接用于其他傳統(tǒng)方式的建模環(huán)節(jié)，同時也可擴(kuò)充內(nèi)部的衍生變量空間。當(dāng)原始特征的區(qū)分能力得到提升，模型的區(qū)分效果也得到增強(qiáng)，最終強(qiáng)化AI模型性能。

作為領(lǐng)先的獨(dú)立云服務(wù) 科技 解決方案供應(yīng)商，薩摩耶云立足場景需求，深耕AI決策智能賽道，不斷升級大數(shù)據(jù)、算法、模型策略和產(chǎn)品設(shè)計(jì)，為數(shù)字經(jīng)濟(jì)和企業(yè)數(shù)字化轉(zhuǎn)型提供技術(shù)支撐。在此過程中，薩摩耶云不僅強(qiáng)化了自身核心自主競爭力，而且著眼數(shù)字中國全景，源源不斷釋放 科技 賦能的價值。（山河）

三、AI面試題第二彈(神經(jīng)網(wǎng)絡(luò)基礎(chǔ))

提取主要特征，減小網(wǎng)絡(luò)參數(shù)量，減小計(jì)算量

層層傳遞的梯度>1 梯度爆炸

層層傳遞的梯度<1 梯度消失

與權(quán)重有很大關(guān)系，激活函數(shù)的影響較小。

每次訓(xùn)練一層隱節(jié)點(diǎn)，訓(xùn)練時將上一層隱節(jié)點(diǎn)的輸出作為輸入，而本層隱節(jié)點(diǎn)的輸出作為下一層隱節(jié)點(diǎn)的輸入，此過程就是逐層“預(yù)訓(xùn)練”（pre-training）；在預(yù)訓(xùn)練完成后，再對整個網(wǎng)絡(luò)進(jìn)行“微調(diào)”（fine-tunning）。Hinton在訓(xùn)練深度信念網(wǎng)絡(luò)（Deep Belief Networks中，使用了這個方法，在各層預(yù)訓(xùn)練完成后，再利用BP算法對整個網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

這個方案主要是針對梯度爆炸提出的，其思想是設(shè)置一個梯度剪切閾值，然后更新梯度的時候，如果梯度超過這個閾值，那么就將其強(qiáng)制限制在這個范圍之內(nèi)。這可以防止梯度爆炸。

比較常見的是l1l1l1正則，和l2l2l2正則，在各個深度框架中都有相應(yīng)的API可以使用正則化

反向傳播中，經(jīng)過每一層的梯度會乘以該層的權(quán)重。

舉個簡單例子：

為了得到一致假設(shè)而使假設(shè)變得過度復(fù)雜稱為過擬合(overfitting)， 過擬合表現(xiàn)在訓(xùn)練好的模型在訓(xùn)練集上效果很好，但是在測試集上效果差 。也就是說模型的泛化能力弱。

過擬合主要由兩個原因造成，數(shù)據(jù)集太小或模型太復(fù)雜

（1）. 數(shù)據(jù)集擴(kuò)增（Data Augmentation）

（2）. 改進(jìn)模型

·Early Stopping。在模型效果比較好的時候便提前停止訓(xùn)練

 ·正則化（regularization）

L1：稀疏參數(shù)

L2：更小參數(shù)

·Dropout

·多任務(wù)學(xué)習(xí)

深度學(xué)習(xí)中兩種多任務(wù)學(xué)習(xí)模式：隱層參數(shù)的硬共享和軟共享

硬共享機(jī)制是指在所有任務(wù)中共享隱藏層，同時保留幾個特定任務(wù)的輸出層來實(shí)現(xiàn)。硬共享機(jī)制降低了過擬合的風(fēng)險。多個任務(wù)同時學(xué)習(xí)，模型就越能捕捉到多個任務(wù)的同一表示，從而導(dǎo)致模型在原始任務(wù)上的過擬合風(fēng)險越小。

軟共享機(jī)制是指每個任務(wù)有自己的模型，自己的參數(shù)。模型參數(shù)之間的距離是正則化的，以便保障參數(shù)相似性。

見后文

leaky relu

輸入是x輸出是y，正常的流程是：我們首先把x通過網(wǎng)絡(luò)前向傳播，然后把誤差反向傳播以決定如何更新參數(shù)讓網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)。使用Dropout之后，過程變成如下：

（1）首先隨機(jī)（臨時）刪掉網(wǎng)絡(luò)中一半的隱藏神經(jīng)元，輸入輸出神經(jīng)元保持不變（圖中虛線為部分臨時被刪除的神經(jīng)元）

（2） 然后把輸入x通過修改后的網(wǎng)絡(luò)前向傳播，然后把得到的損失結(jié)果通過修改的網(wǎng)絡(luò)反向傳播。一小批訓(xùn)練樣本執(zhí)行完這個過程后，在沒有被刪除的神經(jīng)元上按照隨機(jī)梯度下降法更新對應(yīng)的參數(shù)（w，b）。

（3）然后繼續(xù)重復(fù)這一過程：

恢復(fù)被刪掉的神經(jīng)元（此時被刪除的神經(jīng)元保持原樣，而沒有被刪除的神經(jīng)元已經(jīng)有所更新）

從隱藏層神經(jīng)元中隨機(jī)選擇一個一半大小的子集臨時刪除掉（備份被刪除神經(jīng)元的參數(shù)）。

對一小批訓(xùn)練樣本，先前向傳播然后反向傳播損失并根據(jù)隨機(jī)梯度下降法更新參數(shù)（w，b） （沒有被刪除的那一部分參數(shù)得到更新，刪除的神經(jīng)元參數(shù)保持被刪除前的結(jié)果）。

不斷重復(fù)這一過程。

沒有對數(shù)據(jù)進(jìn)行歸一化

忘記檢查輸入和輸出

沒有對數(shù)據(jù)進(jìn)行預(yù)處理

沒有對數(shù)據(jù)正則化

使用過大的樣本

使用不正確的學(xué)習(xí)率

在輸出層使用錯誤的激活函數(shù)

網(wǎng)絡(luò)中包含壞梯度

初始化權(quán)重錯誤

過深的網(wǎng)絡(luò)

隱藏單元數(shù)量錯誤

網(wǎng)絡(luò)設(shè)計(jì)不合理(任務(wù)-網(wǎng)絡(luò)不匹配)

機(jī)器學(xué)習(xí)有個很重要的假設(shè)：就是假設(shè)訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)是滿足獨(dú)立同分布的，這保障了通過訓(xùn)練數(shù)據(jù)獲得的優(yōu)秀模型也能夠在測試集獲得好的效果。但是在機(jī)器學(xué)習(xí)訓(xùn)練中輸入層的每個批量(X,Y)中X的分布是不一致的，并且神經(jīng)網(wǎng)絡(luò)的隱藏層的輸入分布在每次訓(xùn)練迭代中發(fā)生變化。 BatchNorm就是在深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中使得每一層神經(jīng)網(wǎng)絡(luò)的輸入保持相同分布的。

BN的基本思想其實(shí)相當(dāng)直觀：因?yàn)樯顚由窠?jīng)網(wǎng)絡(luò)在做非線性變換前(激活前)的 輸入值 （就是那個x=WU+B，U是輸入） 隨著網(wǎng)絡(luò)深度加深或者在訓(xùn)練過程中，其分布逐漸發(fā)生偏移或者變動，之所以訓(xùn)練收斂慢，一般是整體分布逐漸往非線性函數(shù)的取值區(qū)間的上下限兩端靠近 （對于Sigmoid函數(shù)來說，意味著激活輸入值WU+B是大的負(fù)值或正值），所以這 導(dǎo)致反向傳播時低層神經(jīng)網(wǎng)絡(luò)的梯度消失 ，這是訓(xùn)練深層神經(jīng)網(wǎng)絡(luò)收斂越來越慢的 本質(zhì)原因 ， 而BN就是通過一定的規(guī)范化手段，把每層神經(jīng)網(wǎng)絡(luò)任意神經(jīng)元這個輸入值的分布強(qiáng)行拉回到均值為0方差為1的標(biāo)準(zhǔn)正態(tài)分布 ，其實(shí)就是把越來越偏的分布強(qiáng)制拉回比較標(biāo)準(zhǔn)的分布，這樣使得激活輸入值落在非線性函數(shù)對輸入比較敏感的區(qū)域，這樣輸入的小變化就會導(dǎo)致?lián)p失函數(shù)較大的變化，意思是 這樣讓梯度變大，避免梯度消失問題產(chǎn)生，而且梯度變大意味著學(xué)習(xí)收斂速度快，能大大加快訓(xùn)練速度。

但是接下來的問題是：如果都通過BN，那么不就跟把非線性函數(shù)替換成線性函數(shù)效果相同了，意味著網(wǎng)絡(luò)的非線性表達(dá)能力下降了， 所以BN為了保證非線性的獲得，對變換后的滿足均值為0方差為1的x又進(jìn)行了scale加上shift操作(y=scale*x+shift)， 每個神經(jīng)元增加了兩個參數(shù)scale和shift參數(shù)，這兩個參數(shù)是通過訓(xùn)練學(xué)習(xí)到的，意思是通過scale和shift把這個值從標(biāo)準(zhǔn)正態(tài)分布左移或者右移一點(diǎn)并長胖一點(diǎn)或者變瘦一點(diǎn)，每個實(shí)例挪動的程度不一樣，這樣等價于激活前的值經(jīng)過標(biāo)準(zhǔn)正太分布?xì)w一化后再從正中心周圍的線性區(qū)往非線性區(qū)動了動。核心思想應(yīng)該是想找到一個線性和非線性的較好平衡點(diǎn)，既能享受非線性的較強(qiáng)表達(dá)能力的好處，又避免太靠非線性區(qū)兩頭使得網(wǎng)絡(luò)收斂速度太慢

Batch Normalization 好處：（1）提高了訓(xùn)練速度，收斂速度也大大加快（2）另外調(diào)參過程也簡單多了，對于初始化要求沒那么高，而且可以使用大的學(xué)習(xí)率等 (3)可以防止梯度消失（4）BN類似于Dropout的一種防止過擬合的正則化表達(dá)方式，可以有效防止過擬合，不用太依賴dropou和正則化

以下情況最好不要使用BN：（1）數(shù)據(jù)不平衡（2）batch_size太小

batch_size是機(jī)器學(xué)習(xí)中的一個重要參數(shù)，決定了梯度下降的方向，如果數(shù)據(jù)集比較小，完全可以采用全數(shù)據(jù)集的形式計(jì)算梯度，由全數(shù)據(jù)集確定的梯度方向能夠更好地代表樣本總體，從而更準(zhǔn)確地朝向極值所在的方向。對于大型數(shù)據(jù)集則需要使用mini-batch_size，因?yàn)殡S著數(shù)據(jù)集的海量增長和內(nèi)存限制，一次性載入所有的數(shù)據(jù)進(jìn)來變得越來越不可行。

當(dāng)batch_size=1,即在線學(xué)習(xí)，模型難以達(dá)到收斂 。

合理增加batch_size好處 ：

（1）內(nèi)存利用率提高了，大矩陣乘法的并行化效率提高

（2）跑完一次 epoch（全數(shù)據(jù)集）所需的迭代次數(shù)減少，對于相同數(shù)據(jù)量的處理速度進(jìn)一步加快。

（3）在一定范圍內(nèi)，一般來說 Batch_Size 越大，其確定的下降方向越準(zhǔn)，引起訓(xùn)練震蕩越小

盲目增大 Batch_Size 壞處 ：

（1）內(nèi)存利用率提高了，但是內(nèi)存容量可能撐不住了

（2）跑完一次 epoch（全數(shù)據(jù)集）所需的迭代次數(shù)減少，要想達(dá)到相同精度所需要的 epoch 數(shù)量越來越多，花費(fèi)的時間越長

（3）大的batchsize收斂到sharp minimum，而小的batchsize收斂到flat minimum，后者具有更好的泛化能力。

總之batchsize在變得很大(超過一個臨界點(diǎn))時，會降低模型的泛化能力。在這個臨界點(diǎn)之下，模型的性能變換隨batch size通常沒有學(xué)習(xí)率敏感

    目標(biāo)所在的真實(shí)框(ground truth) 與算法預(yù)測的目標(biāo)所在的框(bounding box)的交集與并集的比值，我們會用IOU閾值來判定預(yù)測的bounding box是否有效。一般閾值會設(shè)定在0.5，當(dāng)IOU的值大于等于0.5時，我們會把這個預(yù)測的bounding box 歸為正類，而小于0.5的歸為負(fù)類。

牛頓法使用的是目標(biāo)函數(shù)的二階導(dǎo)數(shù)，在高維情況下這個Hessian（n*n維度）矩陣非常大，計(jì)算復(fù)雜度是n*n，計(jì)算和存儲都是問題

（1） 通過控制卷積核個數(shù)實(shí)現(xiàn)升維或者降維，從而減少模型參數(shù)和計(jì)算量

（2） 用于不同channel上特征的融合

（3）1x1的卷積相當(dāng)于全連接層的計(jì)算過程，并且加入了非線性激活函數(shù)，從而增加了網(wǎng)絡(luò)的非線性，使得網(wǎng)絡(luò)可以表達(dá)更加復(fù)雜的特征。

它能夠把輸入的連續(xù)實(shí)值變換為0和1之間的輸出，如果是非常大的負(fù)數(shù)，那么輸出就是0；如果是非常大的正數(shù)，輸出就是1

缺點(diǎn)：

（1）函數(shù)的飽和區(qū)，導(dǎo)致梯度幾乎為0，造成梯度消失問題

（2）Sigmoid 的 output 不是0均值，具體解釋見 https://blog.csdn.net/tyhj_sf/article/details/79932893

（3）其解析式中含有冪運(yùn)算，計(jì)算機(jī)求解時相對來講比較耗時。對于規(guī)模比較大的深度網(wǎng)絡(luò)，這會較大地增加訓(xùn)練時間。

它解決了Sigmoid函數(shù)的不是零均值輸出問題，然而，梯度消失（gradient vanishing）的問題和冪運(yùn)算的問題仍然存在。

(1)在正區(qū)間解決了梯度消失的問題

(2）函數(shù)簡單，計(jì)算速度快，收斂速度遠(yuǎn)快于sigmoid和tanh

缺點(diǎn)：

（1）Relu函數(shù)輸出不是0均值

（2）神經(jīng)元壞死問題：指的是某些神經(jīng)元可能永遠(yuǎn)不會被激活，導(dǎo)致相應(yīng)的參數(shù)永遠(yuǎn)不能被更新，有兩個主要原因?qū)е逻@種狀況發(fā)生

        (1) 非常不幸的參數(shù)初始化，這種情況比較少見 

        (2) learning rate太高導(dǎo)致在訓(xùn)練過程中參數(shù)更新太大，不幸使網(wǎng)絡(luò)進(jìn)入這種狀態(tài)。解決方法是可以采用Xavier初始化方法，以及避免將learning rate設(shè)置太大或使用adagrad等自動調(diào)節(jié)learning rate的算法

為了解決ReLU函數(shù)帶來的神經(jīng)元壞死問題 ， 提出了將ReLU的前半段設(shè)為αx，α通常設(shè)為0.01，，另外一種直觀的想法是基于參數(shù)的方法PReLU函數(shù)， α可由方向傳播算法學(xué)習(xí)出來。

ELU也是為解決ReLU存在的問題而提出，顯然，ELU有ReLU的基本所有優(yōu)點(diǎn)，以及：（1）不會有神經(jīng)元壞死現(xiàn)象（2）函數(shù)輸出均值接近于0

但是ELU的小問題就是計(jì)算量稍微有點(diǎn)大。

1、使用不同的激活函數(shù)，比如Relu，Leak-Relu，PRelu，elu等激活函數(shù)代替sigmoid函數(shù)

2、使用Batch Normalizaion(批量歸一化)

3、使用殘差網(wǎng)絡(luò)

4、預(yù)訓(xùn)練加微調(diào)

1、梯度裁剪

2、權(quán)重正則化

兩個3x3的卷積核的感受野比5x5的卷積核的感受野大，在保持相同感受野的同時，用3x3的卷積核可以提升網(wǎng)絡(luò)的深度，可以很明顯的減少計(jì)算量。

1、局部連接

2、權(quán)值共享：減小參數(shù)量

3、池化操作：增大感受野

4、多層次結(jié)構(gòu)：可以提取low-level以及high-level的信息

1、數(shù)據(jù)集太小，數(shù)據(jù)樣本不足時，深度學(xué)習(xí)相對其它機(jī)器學(xué)習(xí)算法，沒有明顯優(yōu)勢。

2、數(shù)據(jù)集沒有局部相關(guān)特性，目前深度學(xué)習(xí)表現(xiàn)比較好的領(lǐng)域主要是圖像／語音／自然語言處理等領(lǐng)域，這些領(lǐng)域的一個共性是局部相關(guān)性。圖像中像素組成物體，語音信號中音位組合成單詞，文本數(shù)據(jù)中單詞組合成句子，這些特征元素的組合一旦被打亂，表示的含義同時也被改變。對于沒有這樣的局部相關(guān)性的數(shù)據(jù)集，不適于使用深度學(xué)習(xí)算法進(jìn)行處理。舉個例子：預(yù)測一個人的健康狀況，相關(guān)的參數(shù)會有年齡、職業(yè)、收入、家庭狀況等各種元素，將這些元素打亂，并不會影響相關(guān)的結(jié)果。

作用 ：對輸入的特征圖進(jìn)行壓縮，

一方面使特征圖變小，簡化網(wǎng)絡(luò)計(jì)算復(fù)雜度；

一方面進(jìn)行特征壓縮，提取主要特征。

通常來講，max-pooling的效果更好，雖然max-pooling和average-pooling都對數(shù)據(jù)做了下采樣，但是 max-pooling感覺更像是做了特征選擇，選出了分類辨識度更好的特征，提供了非線性 。 pooling的主要作用一方面是去掉冗余信息，一方面要保留feature map的特征信息，在分類問題中，我們需要知道的是這張圖像有什么object，而不大關(guān)心這個object位置在哪，在這種情況下顯然max pooling比average pooling更合適。在 網(wǎng)絡(luò)比較深的地方，特征已經(jīng)稀疏了，從一塊區(qū)域里選出最大的，比起這片區(qū)域的平均值來，更能把稀疏的特征傳遞下去 。

average-pooling更強(qiáng)調(diào)對整體特征信息進(jìn)行一層下采樣，在減少參數(shù)維度的貢獻(xiàn)上更大一點(diǎn)，更多的體現(xiàn)在 信息的完整傳遞這個維度 上，在一個很大很有代表性的模型中，比如說DenseNet中的模塊之間的連接大多采用average-pooling，在減少維度的同時，更有利信息傳遞到下一個模塊進(jìn)行特征提取。

average-pooling在 全局平均池化操作 中應(yīng)用也比較廣，在ResNet和Inception結(jié)構(gòu)中最后一層都使用了平均池化。有的時候在模型接近 分類器的末端使用全局平均池化還可以代替Flatten操作 ，使輸入數(shù)據(jù)變成一位向量。

CNN網(wǎng)絡(luò)中另外一個不可導(dǎo)的環(huán)節(jié)就是Pooling池化操作，因?yàn)镻ooling操作使得feature map的尺寸變化，假如做2×2的池化（步長也為2），假設(shè)那么第l+1層的feature map有16個梯度，那么第l層就會有64個梯度，這使得梯度無法對位的進(jìn)行傳播下去。其實(shí)解決這個問題的思想也很簡單，就是把1個像素的梯度傳遞給4個像素，但是需要保證傳遞的loss（或者梯度）總和不變。根據(jù)這條原則，mean pooling和max pooling的反向傳播也是不同的

mean pooling的前向傳播就是把一個patch中的值求取平均來做pooling，那么反向傳播的過程也就是把 某個元素的梯度等分為n份分配給前一層，這樣就保證池化前后的梯度（殘差）之和保持不變 ，圖示如下 ：

（2） max pooling

max pooling也要滿足梯度之和不變的原則 ，max pooling的前向傳播是把patch中最大的值傳遞給后一層，而其他像素的值直接被舍棄掉。那么 反向傳播也就是把梯度直接傳給前一層某一個像素，而其他像素不接受梯度，也就是為0。 所以max pooling操作和mean pooling操作不同點(diǎn)在于需要記錄下池化操作時到底哪個像素的值是最大，也就是max id，這個變量就是記錄最大值所在位置的，因?yàn)樵诜聪騻鞑ブ幸玫?，那么假設(shè)前向傳播和反向傳播的過程就如下圖所示 ：

28、細(xì)粒度分類

29、LSTM&RNN

30、解釋LSTM結(jié)構(gòu)（相對于RNN）的好處

31、RNN的梯度消失原因和解決辦法

32、Object Detection

33、Unet的介紹

34、FCN和Unet的區(qū)別

35、RCNN系列的算法流程和區(qū)別

36、Fast RCNN中 bbox 回歸的損失函數(shù)什么

37、解釋 ROI Pooling 和 ROI Align

38、Mask RCNN中 mask branch 如何接入 Faster RCNN中

39、解釋 FPN

40、解釋 ROI Align

41、簡述 YOLO 和 SSD

42、簡述 Hough 直線檢測、Sobel 邊緣檢測算法流程

43、Mask RCNN中的anchors如何判定為正負(fù)樣本

44、簡述 NMS 算法流程

45、attention起源是用在哪里？pixel還是frame，是soft還是hard

46、anchor的正負(fù)樣本比是多少

47、算法和激活函數(shù)等

48、BN的原理和作用

49、BN層反向傳播，怎么求導(dǎo)

50、BN 的作用和缺陷，以及針對batch_size小的情況的改進(jìn)（GN）

51、BN層，先加BN還是激活，有什么區(qū)別

52、手推BP

53、優(yōu)化算法舉例和他們的區(qū)別（SGD、SGDM、RMSprop、Adam）

54、隨機(jī)梯度下降和梯度下降

55、訓(xùn)練不收斂的原因有哪些

56、簡述 SVM 流程、核函數(shù)尋參及常見的核函數(shù)舉例

57、batch_size 和 learning rate 的關(guān)系（怎么平衡和調(diào)整二者）

58、解釋過擬合和欠擬合，以及解決方法

59、激活函數(shù)有哪些，各自區(qū)別

60、損失函數(shù)有哪些

61、Sigmoid 和 ReLu 對比（各自優(yōu)缺點(diǎn)）

62、為什么不用sigmoid而用relu？做出了哪些改進(jìn)？

63、梯度消失和梯度爆炸的原因和解決方法

64、Precision 和 Recall 的定義

65、精確率高、召回率低是為什么

66、SVM，線性回歸和邏輯回歸的原理及區(qū)別

67、PCA原理，PCA和SVD的區(qū)別和聯(lián)系

68、正則化怎么選擇，有哪些方式

69、L1、L2范數(shù)，區(qū)別

70、boost、Adaboost

71、dropout和batch normalization

72、講一下決策樹和隨機(jī)森林

73、講一下GBDT的細(xì)節(jié)，寫出GBDT的目標(biāo)函數(shù)。 GBDT和Adaboost的區(qū)別與聯(lián)系

74、偏差、方差

75、距離度量公式哪些，區(qū)別

76、多標(biāo)簽識別怎么做

77、data argumentation怎么處理的

78、數(shù)據(jù)不均衡怎么處理、只有少量帶標(biāo)簽怎么處理

79、權(quán)重初始化方法都有哪些

80、權(quán)值衰減這個參數(shù)怎么設(shè)置

81、分類問題有哪些評價指標(biāo)？每種的適用場景。

82、無監(jiān)督學(xué)習(xí)了解哪些

83、圖像處理Opencv

84、邊緣檢測算子有哪些

85、霍夫變換

86、直方圖是什么

87、canny算子是怎么做的

88、圖像的特征提取有哪些算法，適用范圍、優(yōu)缺點(diǎn)

參考：

https://blog.csdn.net/bluesliuf/article/details/89389117

https://zhuanlan.zhihu.com/p/107279000

https://zhuanlan.zhihu.com/p/56475281

四、人工智能神經(jīng)網(wǎng)絡(luò)論文

隨著科學(xué)技術(shù)的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)得到了空前的發(fā)展，并且在諸多領(lǐng)域得到了廣泛的應(yīng)用，為人工智能化的發(fā)展提供了強(qiáng)大的動力。以下是我整理分享的人工智能神經(jīng)網(wǎng)絡(luò)論文的相關(guān)資料，歡迎閱讀!

人工智能神經(jīng)網(wǎng)絡(luò)論文篇一

人工神經(jīng)網(wǎng)絡(luò)的發(fā)展及應(yīng)用

摘要隨著科學(xué)技術(shù)的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)得到了空前的發(fā)展，并且在諸多領(lǐng)域得到了廣泛的應(yīng)用，為人工智能化的發(fā)展提供了強(qiáng)大的動力。人工神經(jīng)網(wǎng)絡(luò)的發(fā)展經(jīng)歷了不同的階段，是人工智能的重要組成部分，并且在發(fā)展過程中形成了自身獨(dú)特的特點(diǎn)。文章對人工神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程進(jìn)行回顧，并對其在各個領(lǐng)域的應(yīng)用情況進(jìn)行探討。

關(guān)鍵詞人工神經(jīng)網(wǎng)絡(luò);發(fā)展;應(yīng)用

隨著科學(xué)技術(shù)的發(fā)展，各個行業(yè)和領(lǐng)域都在進(jìn)行人工智能化的研究工作，已經(jīng)成為專家學(xué)者研究的熱點(diǎn)。人工神經(jīng)網(wǎng)絡(luò)就是在人工智能基礎(chǔ)上發(fā)展而來的重要分支，對人工智能的發(fā)展具有重要的促進(jìn)作用。人工神經(jīng)網(wǎng)絡(luò)從形成之初發(fā)展至今，經(jīng)歷了不同的發(fā)展階段，并且在經(jīng)濟(jì)、生物、醫(yī)學(xué)等領(lǐng)域得到了廣泛的應(yīng)用，解決了許多技術(shù)上的難題。

1人工神經(jīng)網(wǎng)絡(luò)概述

關(guān)于人工神經(jīng)網(wǎng)絡(luò)，到目前為止還沒有一個得到廣泛認(rèn)可的統(tǒng)一定義，綜合各專家學(xué)者的觀點(diǎn)可以將人工神經(jīng)網(wǎng)絡(luò)簡單的概括為是模仿人腦的結(jié)構(gòu)和功能的計(jì)算機(jī)信息處理系統(tǒng)[1]。人工神經(jīng)網(wǎng)絡(luò)具有自身的發(fā)展特性，其具有很強(qiáng)的并行結(jié)構(gòu)以及并行處理的能力，在實(shí)時和動態(tài)控制時能夠起到很好的作用;人工神經(jīng)網(wǎng)絡(luò)具有非線性映射的特性，對處理非線性控制的問題時能給予一定的幫助;人工神經(jīng)網(wǎng)絡(luò)可以通過訓(xùn)練掌握數(shù)據(jù)歸納和處理的能力，因此在數(shù)學(xué)模型等難以處理時對問題進(jìn)行解決;人工神經(jīng)網(wǎng)絡(luò)的適應(yīng)性和集成性很強(qiáng)，能夠適應(yīng)不同規(guī)模的信息處理和大規(guī)模集成數(shù)據(jù)的處理與控制;人工神經(jīng)網(wǎng)絡(luò)不但在軟件技術(shù)上比較成熟，而且近年來在硬件方面也得到了較大發(fā)展，提高了人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)的信息處理能力。

2人工神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程

2.1 萌芽時期

在20世紀(jì)40年代，生物學(xué)家McCulloch與數(shù)學(xué)家Pitts共同發(fā)表文章，第一次提出了關(guān)于神經(jīng)元的模型M-P模型，這一理論的提出為神經(jīng)網(wǎng)絡(luò)模型的研究和開發(fā)奠定了基礎(chǔ)，在此基礎(chǔ)上人工神經(jīng)網(wǎng)絡(luò)研究逐漸展開。1951年，心理學(xué)家Hebb提出了關(guān)于連接權(quán)數(shù)值強(qiáng)化的法則，為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)功能開發(fā)進(jìn)行了鋪墊。之后生物學(xué)家Eccles通過實(shí)驗(yàn)證實(shí)了突觸的真實(shí)分流，為神經(jīng)網(wǎng)絡(luò)研究突觸的模擬功能提供了真實(shí)的模型基礎(chǔ)以及生物學(xué)的依據(jù)[2]。隨后，出現(xiàn)了能夠模擬行為以及條件反射的處理機(jī)和自適應(yīng)線性網(wǎng)絡(luò)模型，提高了人工神經(jīng)網(wǎng)絡(luò)的速度和精準(zhǔn)度。這一系列研究成果的出現(xiàn)為人工神經(jīng)網(wǎng)絡(luò)的形成和發(fā)展提供了可能。

2.2 低谷時期

在人工神經(jīng)網(wǎng)絡(luò)形成的初期，人們只是熱衷于對它的研究，卻對其自身的局限進(jìn)行了忽視。Minskyh和Papert通過多年對神經(jīng)網(wǎng)絡(luò)的研究，在1969年對之前所取得的研究成果提出了質(zhì)疑，認(rèn)為當(dāng)前研究出的神經(jīng)網(wǎng)絡(luò)只合適處理比較簡單的線性問題，對于非線性問題以及多層網(wǎng)絡(luò)問題卻無法解決。由于他們的質(zhì)疑，使神經(jīng)網(wǎng)絡(luò)的發(fā)展進(jìn)入了低谷時期，但是在這一時期，專家和學(xué)者也并沒有停止對神經(jīng)網(wǎng)絡(luò)的研究，針對他們的質(zhì)疑也得出一些相應(yīng)的研究成果。

2.3 復(fù)興時期

美國的物理學(xué)家Hopfield在1982年提出了新的神經(jīng)網(wǎng)絡(luò)模型，并通過實(shí)驗(yàn)證明在滿足一定的條件時，神經(jīng)網(wǎng)絡(luò)是能夠達(dá)到穩(wěn)定的狀態(tài)的。通過他的研究和帶動，眾多專家學(xué)者又重新開始了對人工神經(jīng)網(wǎng)絡(luò)方面的研究，推動了神經(jīng)網(wǎng)絡(luò)的再一次發(fā)展[3]。經(jīng)過專家學(xué)者的不斷努力，提出了各種不同的人工神經(jīng)網(wǎng)絡(luò)的模型，神經(jīng)網(wǎng)絡(luò)理論研究不斷深化，新的理論和方法層出不窮，使神經(jīng)網(wǎng)絡(luò)的研究和應(yīng)用進(jìn)入了一個嶄新的時期。

2.4 穩(wěn)步發(fā)展時期

隨著人工神經(jīng)網(wǎng)絡(luò)研究在世界范圍內(nèi)的再次興起，我國也迎來了相關(guān)理論研究的熱潮，在人工神經(jīng)網(wǎng)絡(luò)和計(jì)算機(jī)技術(shù)方面取得了突破性的進(jìn)展。到20世紀(jì)90年代時，國內(nèi)對于神經(jīng)網(wǎng)絡(luò)領(lǐng)域的研究得到了進(jìn)一步的完善和發(fā)展，而且能夠利用神經(jīng)網(wǎng)絡(luò)對非線性的系統(tǒng)控制問題進(jìn)行解決，研究成果顯著。隨著各類人工神經(jīng)網(wǎng)絡(luò)的相關(guān)刊物的創(chuàng)建和相關(guān)學(xué)術(shù)會議的召開，我國人工神經(jīng)網(wǎng)絡(luò)的研究和應(yīng)用條件逐步改善，得到了國際的關(guān)注。

隨著人工神經(jīng)網(wǎng)絡(luò)的穩(wěn)步發(fā)展，逐漸建立了光學(xué)神經(jīng)網(wǎng)絡(luò)系統(tǒng)，利用光學(xué)的強(qiáng)大功能，提高了人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力和自適應(yīng)能力。對非線性動態(tài)系統(tǒng)的控制問題，采取有效措施，提高超平面的光滑性，對其精度進(jìn)行改進(jìn)。之后有專家提出了關(guān)于人工神經(jīng)網(wǎng)絡(luò)的抽取算法，雖然保證了精度，但也加大了消耗，在一定程度上降低了神經(jīng)網(wǎng)絡(luò)的效率，因此在此基礎(chǔ)上又提出了改進(jìn)算法FERNN?；煦缟窠?jīng)網(wǎng)絡(luò)的發(fā)展也得到了相應(yīng)的進(jìn)步，提高了神經(jīng)網(wǎng)絡(luò)的泛化能力。

3人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用

3.1 在信息領(lǐng)域中的應(yīng)用

人工神經(jīng)網(wǎng)絡(luò)在信息領(lǐng)域中的應(yīng)用主要體現(xiàn)在信息處理和模式識別兩個方面。由于科技的發(fā)展，當(dāng)代信息處理工作越來越復(fù)雜，利用人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)可以對人的思維進(jìn)行模仿甚至是替代，面對問題自動診斷和解決，能夠輕松解決許多傳統(tǒng)方法無法解決的問題，在軍事信息處理中的應(yīng)用極為廣泛[4]。模式識別是對事物表象的各種信息進(jìn)行整理和分析，對事物進(jìn)行辨別和解釋的一個過程，這樣對信息進(jìn)行處理的過程與人類大腦的思維方式很相像。模式識別的方法可以分為兩種，一種是統(tǒng)計(jì)模式識別，還有一種是結(jié)構(gòu)模式識別，在語音識別和指紋識別等方面得到了廣泛的應(yīng)用。

3.2 在醫(yī)學(xué)領(lǐng)域的應(yīng)用

人工神經(jīng)網(wǎng)絡(luò)對于非線性問題處理十分有效，而人體的構(gòu)成和疾病形成的原因十分復(fù)雜，具有不可預(yù)測性，在生物信號的表現(xiàn)形式和變化規(guī)律上也很難掌握，信息檢測和分析等諸多方面都存在著復(fù)雜的非線性聯(lián)系，所以應(yīng)用人工神經(jīng)網(wǎng)絡(luò)決解這些非線性問題具有特殊意義[5]。目前，在醫(yī)學(xué)領(lǐng)域中的應(yīng)用涉及到理論和臨床的各個方面，最主要的是生物信號的檢測和自動分析以及專家系統(tǒng)等方面的應(yīng)用。

3.3 在經(jīng)濟(jì)領(lǐng)域中的應(yīng)用

經(jīng)濟(jì)領(lǐng)域中的商品價格、供需關(guān)系、風(fēng)險系數(shù)等方面的信息構(gòu)成也十分復(fù)雜且變幻莫測，人工神經(jīng)網(wǎng)絡(luò)可以對不完整的信息以及模糊不確定的信息進(jìn)行簡單明了的處理，與傳統(tǒng)的經(jīng)濟(jì)統(tǒng)計(jì)方法相比具有其無法比擬的優(yōu)勢，數(shù)據(jù)分析的穩(wěn)定性和可靠性更強(qiáng)。

3.4 在其他領(lǐng)域的應(yīng)用

人工神經(jīng)網(wǎng)絡(luò)在控制領(lǐng)域、交通領(lǐng)域、心理學(xué)領(lǐng)域等方面都有很廣泛的應(yīng)用，能夠?qū)Ω唠y度的非線性問題進(jìn)行處理，對交通運(yùn)輸方面進(jìn)行集成式的管理，以其高適應(yīng)性和優(yōu)秀的模擬性能解決了許多傳統(tǒng)方法無法解決的問題，促進(jìn)了各個領(lǐng)域的快速發(fā)展。

4總結(jié)

隨著科技的發(fā)展，人工智能系統(tǒng)將進(jìn)入更加高級的發(fā)展階段，人工神經(jīng)網(wǎng)絡(luò)也將得到更快的發(fā)展和更加廣泛的應(yīng)用。人工神經(jīng)網(wǎng)絡(luò)也許無法完全對人腦進(jìn)行取代，但是其特有的非線性信息處理能力解決了許多人工無法解決的問題，在智能系統(tǒng)的各個領(lǐng)域中得到成功應(yīng)用，今后的發(fā)展趨勢將向著更加智能和集成的方向發(fā)展。

參考文獻(xiàn)

[1]徐用懋，馮恩波.人工神經(jīng)網(wǎng)絡(luò)的發(fā)展及其在控制中的應(yīng)用[J].化工進(jìn)展，1993(5)：8-12，20.

[2]湯素麗，羅宇鋒.人工神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展與應(yīng)用[J].電腦開發(fā)與應(yīng)用，2009(10)：59-61.

[3]李會玲，柴秋燕.人工神經(jīng)網(wǎng)絡(luò)與神經(jīng)網(wǎng)絡(luò)控制的發(fā)展及展望[J].邢臺職業(yè)技術(shù)學(xué)院學(xué)報，2009(5)：44-46.

[4]過效杰，祝彥知.人工神經(jīng)網(wǎng)絡(luò)的發(fā)展及其在巖土工程領(lǐng)域研究現(xiàn)狀[J].河南水利，2004(1)：22-23.

[5]崔永華.基于人工神經(jīng)網(wǎng)絡(luò)的河流匯流預(yù)報模型及應(yīng)用研究[D].鄭州大學(xué)，2006.

下一頁分享更優(yōu)秀的<<<人工智能神經(jīng)網(wǎng)絡(luò)論文

以上就是關(guān)于ai神經(jīng)網(wǎng)絡(luò)算法相關(guān)問題的回答。希望能幫到你，如有更多相關(guān)問題，您也可以聯(lián)系我們的客服進(jìn)行咨詢，客服也會為您講解更多精彩的知識和內(nèi)容。

推薦閱讀：

ai人工智能洗稿軟件（全自動二次剪輯軟件）

ai人工智能機(jī)器人app（AI人工智能機(jī)器人圖片）

關(guān)于介紹ai技術(shù)的視頻（關(guān)于介紹ai技術(shù)的視頻素材）

幼兒園景觀設(shè)計(jì)平面圖（幼兒園景觀設(shè)計(jì)平面圖怎么畫）

牧野公園景觀設(shè)計(jì)（牧野公園景觀設(shè)計(jì)理念）