DeepAIedu的博客

LNDP使得人工神经网络能够以活动和奖励依赖的方式实现突触和结构的可塑性，并桥接了间接发育编码（indirect developmental encoding）和元学习的可塑性规则，并提出了Evolving Self-Assembling Neural Networks（进化自组装网络）。这意味着神经网络终于可以根据具体任务进行自主连接和生长发育了，而非以往固定的、静态的、完全连接的方式。

深度学习依赖于神经网络所提取的特征而闻名，在以往传统的学习方法中，特征往往是通过具有经验的专家来提取的，而深度学习方法中的特征提取是通过人工神经网络自动提取的，相比而言，深度学习方法对于特征的提取不仅要求更低，不需要专家的参与，而且少了人为的干预，对于特征本身的提取也更加全面，这也是深度学习最近几年在实际应用中越来越受欢迎的原因之一。

​炼丹药的迷惑相信各位丹友在炼丹期间都会遇到各种各样的问题，有些问题查查资料，做做实验就解决了，有些问题可能还是需要等大佬们去解决。本人在炼丹期间，就遇到了一个问题，这里简单分享一下，一般我们训练模型的时候，选择一个较大的Batch加载训练数据是一个高效训练的方法，当然也不是说Batch越大就越好，一个合适的Batch size对于模型训练才是最好的选择。如果输入是高分辨率图像的时候，由于显存的限制，batch就会变得很小，而且GPU显存总是告急，但是GPU计算资源却大量冗余。如何在加载大分辨率图像

​人工神经网络，是当下实现人工智能最主要的技术研究方向之一，我们所看到的AI落地产品，大部分都使用了人工神经网络的技术。人工智能神经网络之所以有如此广泛的应用和研究的价值，就是因为它不像以往传统的纯数学模型，不只是从数学的角度考虑人工智能的发展，而是在原来的纯数学模型的基础上加入了生物领域的知识、以及电脑硬件方面的知识体系，从更具体的落地应用方向去考虑，比如如何更快的学习，更简捷方便的部署等，而以往传统的纯数学模型更多是从学术研究的方向考虑。接下来这篇文章，我们将会详细讲述人工神经网络的来龙去脉。关注成