详细内容或原文请订阅后点击阅览
机器人系统中的深度学习与神经形态计算
近年来，由于深度学习架构，复杂的机器人系统取得了长足的进步。与此同时，人工智能领域的新方法显示出与传统神经网络模型相媲美的前景。在本文中，我们将深度学习与神经形态计算进行比较。
来源:RobotShop博客什么是深度学习？
人工神经网络的灵感来源于生物神经元的行为。1958 年，Frank Rosenblatt 创建了感知器，这是一种数学神经元模型，其基本原理是将权重 (w1、w2、w3...) 乘以输入信号 (x1、x2、x3...)，然后将它们全部相加，结果是输出神经元是否被激活。
感知器这些权重 (w1、w2、w3...) 可以取正值或负值，代表信号刺激或抑制。这一想法源于这样一个事实：生物神经元相互连接，向其他神经元发送刺激和抑制信号，以决定是否被激活。
在过去的几十年里，这个基本模型几乎没有发生什么变化。人工神经元的组织变化比其基本结构的变化要大得多。例如，卷积神经网络 (CNN) 具有与循环神经网络 (RNN) 相同的神经元。不同之处在于这些神经元的排列。
组织 基本结构 卷积神经网络 循环神经网络当许多神经元用于不同的层时，神经网络被认为是深度的。因此得名深度学习。
深度学习据观察，不同的层负责识别与输入数据相关的不同特征。例如，如果尝试对图像进行分类的神经网络模型有两层，则第一层可能负责识别边缘和轮廓，而第二层可能连接这些边缘和轮廓以识别小图形的图案。输出层会将这些小图形连接在一起以理解完整的图像。
深度神经网络如何学习？
通过梯度下降计算出这个梯度后，可以更新神经网络的每个权重，以便新值代表性能的演变。这个过程重复多次，直到参数收敛到最优点。
性能的演变