卷积是一种组合两个输入以产生输出的数学运算。 CNN 将卷积应用于图像以突出图像特征。
以下是卷积如何在图像上工作的简单解释：
1.采用一个过滤器（也称为内核） - 这通常是一个小矩阵 - 例如 3x3 像素。过滤器包含训练期间学习到的权重。
2.将滤镜放置在输入图像上。滤镜在图像上逐个像素地垂直和水平移动。
3.对于每一步，将滤波器权重乘以输入图像中相 医疗邮件列表 应的像素值。然后将所有这些乘法相加以获得单个输出像素。
4.继续将滤镜放置在图像上，直至覆盖整个图像区域。结果是一个带有输出值的新矩阵——这是卷积的输出。
5.输出现在包含由过滤器突出显示的输入图像的特征。例如，垂直过滤器可以突出显示垂直边缘。
6.可以顺序应用多个过滤器，每个过滤器寻找特定的特征。输出被分组为“通道”或“特征图”。
7.然后，通常通过添加池化层来减少或过滤这些特征图。这使得功能更加强大并减少了数据量。
您可以在我的博客文章“深度学习的计算机视觉 - 简短介绍”中找到更多详细信息。
NLP（自然语言处理）
自然语言处理（NLP）是人工智能领域，涉及自然语言的自动处理和分析。 NLP系统可以分析、理解和生成语言。 NLP 的一个例子是 Siri 或 Alexa 等数字助理中的语言之间的自动翻译或问答功能。 GPT-4 和 ChatGPT 或 Aleph Alphas Luminous 也是自然语言处理的模型。
强化学习
强化学习是一种机器学习方法，其中代理通过与动态环境交互来学习，而无需教师的明确指示。代理收到奖励和惩罚作为反馈，以改善其行为。
代理：在环境中执行动作的学习算法。代理使用其当前状态和学习策略来选择操作。
环境：代理运行的世界。每次代理操作后，环境状态都会更新。环境还为智能体提供奖励和惩罚。
State：表示环境的当前状态。包含代理做出决策所需的所有信息。
操作：代理执行的影响环境状态的操作。
奖励：来自环境的反馈，向智能体展示他们最后的行动有多好。奖励决定了代理应该学习的行为。
Episode：从交互开始到结束的一系列状态、动作和奖励。当达到目标状态时结束。
目标：智能体在环境中应达到的期望状态。由一集中的最大总奖励定义。
代理调整其策略以随着时间的推移获得最大的总奖励。通过这种方式，代理可以学习实现目标的最佳策略。