FPGA机器学习之学习的方向
经过了2个月对机器学习的了解后。我发现了,机器学习的方向多种多样。网页排序。语音识别,图像识别,推荐系统等。算法也多种多样。看见其它的书后,我发现除了讲到的k均值聚类。贝叶斯,神经网络,在线学习等等,还有非常多其它的算法。比方说:免疫算法,遗传算法,主成分分析。蚁群算法等等。
好像非常多算法都是须要做非常多的研究才干用的非常好的。据说深度学习是由神经网络升级来的。
神经网络本身就是一本书,内容非常多。龙星计划里面也涉及到多种算法的应用。是要跟着追火爆的算法去学习。还是找最新的机器学习算法呢??
近期比較火的是deep learning。资料多些。学习的人多一些。还是比較生僻的免疫算法,蚁群算法呢???从性能角度上讲,deep learning性能非常好。但是免疫算法可能发展后未来2年能够性能更好。在这样的情况下,学什么比較好呢??我觉得。假设你有高深的数学功底,非常好的思维。还有非常多的有创造性的朋友的话,我给的建议是去发展新的算法。像免疫算法类的。当然假设能创造一个蜜蜂建窝算法就更好了。预计非常多人都没有这个条件,那我们就做一个尾随者好了。就去选择眼下比較热门的deep learning算法。找一个deep learning应用的场合和公司。应该也非常好。
我可能还有些不一样的我感觉我能做到的人工智能,不想去说机器人打败人类。还有非常多像科幻片里面的机器人一样的状态,我没那个本事。
我想做的事情非常easy,让机器的眼睛看懂普通事物,做一些简单的事情就能够了。所以我基本的方向就是。机器视觉。
那我计划怎样一步一步向前走呢?或者说我要学习哪些东西呢?
我眼下的内容都是关于图像处理的,事实上图像处理就是模式识别最前端的处理工作。让图像的特征更好的体现出来。接下来就是模式识别,这里仅仅能用狭义的理解了。就是特征提取。事实上已经进入机器学习范围。最后就是机器学习。能够统一认知。这里面非常多都设计到一个FPGA处理芯片的的事(这个待会在说)。换个角度说明我要学习的内容,图像处理,比方对照度。图像矫正。边界扫描等。机器学习呢,就是从众多的学习算法里面。在图像上应用比較良好的,比方说,深度学习和主成分分析,(对其它的有些了解就能够了。
应用上和简单算法上)。
机器学习有时候也能够做到图像处理的内容。比方说,聚类就能够进行图像的切割。但是为什么还要去时而学习图像处理的技术呢??想法是这种,机器学习是自己主动提取特征的过程,像决策树可能你就知道它的分类过程。提取特征的过程。但是非常多时候是不知道,但是图像处理则是人为的提供,分离,某些特殊的特征。
可能能降低机器学习的难度等(纯粹的猜想,还有对机器学习的不了解)。
对于FPGA的想法呢???主要考虑的是计算速度,眼下FPGA的计算速度是最好的了,比方说:无人机灾区救援,飞行的速度。摄像头的像素。识别,都须要非常多的计算定位人员信息。
还比方训练的时间,速度是一个重要指标。
可是FPGA它复杂的计算取完毕不了。假设GPU或者APU那一天计算能力能更上一层楼的话。我也会考虑去学习的。
这些仅仅是基本的学习内容,还有非常多小的内容也要跟上。比方说数学。内容非常多,我仅仅能在我能掌握的时间里,对照我的各项能力,来平衡每一部分的学习时间。这些就是我想说的,想跟我一起学习的朋友们。就和我一起学习吧。我的QQ,849886241.求关注,求帮助。
路非常长,要人帮呀。