问题:
目前的人工智能 都是各家再开发, 互不通用, 基本都是重复训练, 浪费大量人力
解决思路:
我认为训练要围绕人类的词汇进行(因为人类已经识别并创造出了大量的词汇,这些词汇不需要重新识别和定义 ),
每个视频,图像,声音,文本 都可以识别出大量词汇
定义每个词汇的训练结果 积木J={模型:A,模型参数:B,准确率:C} ,就是一个神经网络积木
如果我们围绕基础词汇进行训练, 得到大量基础的神经网络积木
然后把按各种词汇训练得到的神经网络积木 按照下列逻辑重新组合,
不仅仅可以快速实现复杂神经模型,还可以简化训练过程
- 把相关词汇概念的神经网络积木并联 就是针对性识别类型
- 把有关词汇概念的神经网络积木串联 就是推理性识别类型
只要规定神经网络积木的组装接口标准,就可以快速实现超复杂识别
网络中有积木提法,但是和我说的不是一个意思
网上也有2篇文章 关于神经网络积木的提法
https://www.jianshu.com/p/3038190555ef/
https://blog.csdn.net/l7H9JA4/article/details/82976402
但是和我说的不是一个意思
我说的是:
把根据词汇训练好的模型参数作为积木, 而不是把神经网络模型作为积木
我的想法是让不懂神经网络的程序员, 也可以使用各种词汇进行组装