安 婷 郭 輝

（山西晉中理工學(xué)院，晉中 030600）

建立和模擬人腦進(jìn)行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)即深度學(xué)習(xí)。該方法是機(jī)器學(xué)習(xí)研究中的創(chuàng)新技術(shù)，通過(guò)模仿人腦機(jī)制讀取和分析數(shù)據(jù)。人工智能的機(jī)器學(xué)習(xí)方法是在深度學(xué)習(xí)背景基礎(chǔ)上可與之相媲美的方法，在實(shí)現(xiàn)圖像、聲音和文本識(shí)別及機(jī)器翻譯的智能化方向上大力邁進(jìn)。下面針對(duì)深度學(xué)習(xí)的人工智能應(yīng)用處理系統(tǒng)進(jìn)行相關(guān)設(shè)計(jì)。

1 設(shè)計(jì)目的

基于神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)等的設(shè)計(jì)，可通過(guò)融合生物學(xué)、數(shù)學(xué)和電子信息等技術(shù)，以發(fā)揮其在應(yīng)用領(lǐng)域的成效。三次工業(yè)革命后，基于深度學(xué)習(xí)的人工智能應(yīng)用處理系統(tǒng)設(shè)計(jì)對(duì)生產(chǎn)結(jié)構(gòu)和生產(chǎn)關(guān)系產(chǎn)生了顛覆性改變。

2 設(shè)計(jì)構(gòu)建要訣

2.1 人工神經(jīng)網(wǎng)絡(luò)之仿生人腦

通過(guò)深度學(xué)習(xí)以獲得算法并賦予電子元件（如CPU），最終在電子元件與傳感器、輸入設(shè)備鏈接及其模擬人腦的樹(shù)突、細(xì)胞體、軸突等人腦神經(jīng)元（神經(jīng)細(xì)胞）中，實(shí)現(xiàn)對(duì)相關(guān)信息的有效處理，并經(jīng)由內(nèi)部信息處理和輸出結(jié)果等神經(jīng)元刺激，在各電子元件、傳感器、輸入設(shè)備、鏈接以外的神經(jīng)網(wǎng)絡(luò)中獲得有效的幫助。由此組成的關(guān)系網(wǎng)絡(luò)識(shí)別層面，更好地融合了神經(jīng)網(wǎng)絡(luò)的效應(yīng)，在圖像物體識(shí)別和解釋問(wèn)題層面獲得了良好效果。深度思維團(tuán)隊(duì)測(cè)驗(yàn)了該神經(jīng)網(wǎng)絡(luò)的變量關(guān)系問(wèn)題，與多數(shù)人工智能（Artificial Intelligence，AI）算式相比，在推理問(wèn)題方面的表現(xiàn)尤為出色。如圖1所示，人工智能神經(jīng)網(wǎng)絡(luò)可以像人類(lèi)一樣推理。

圖1 人工智能神經(jīng)網(wǎng)絡(luò)人腦仿生圖

2.2 深度學(xué)習(xí)開(kāi)展環(huán)節(jié)對(duì)學(xué)習(xí)的仿生

21世紀(jì)，人工智能以人腦對(duì)外界刺激的識(shí)別，更能發(fā)揮其抽象和迭代效應(yīng)。對(duì)比單個(gè)神經(jīng)網(wǎng)絡(luò)，基于多個(gè)神經(jīng)元的信息輸入/輸出“層次”均歸屬同一層級(jí)，通過(guò)使用淺層神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)信息管理和數(shù)據(jù)的挖掘。深度信念網(wǎng)絡(luò)（Deep Belief Network，DBN）的提出，實(shí)現(xiàn)了人腦多層神經(jīng)網(wǎng)絡(luò)信息處理、分析和學(xué)習(xí)模擬。深度學(xué)習(xí)在深層神經(jīng)網(wǎng)絡(luò)上開(kāi)展，多層級(jí)數(shù)量囊括輸入層、中間層和輸出層等。例如，微信中有超過(guò)上百億條消息，包括圖片、鏈接及數(shù)據(jù)等，后臺(tái)數(shù)據(jù)分析、廣告匹配采用了人工智能技術(shù)后端服務(wù)。

基于人腦設(shè)計(jì)的深層神經(jīng)網(wǎng)絡(luò)處理中，深度展開(kāi)多層級(jí)人工神經(jīng)網(wǎng)絡(luò)。在信息判定上，借助不斷優(yōu)化輸入信息權(quán)重方法，使得判斷效果整體上更準(zhǔn)確。輸入層接收外界輸入信號(hào)后傳遞給輸出層，輸出層是M-P神經(jīng)元，感知機(jī)能輕松實(shí)現(xiàn)邏輯與或非的運(yùn)算（與或非實(shí)際上是線(xiàn)性可分問(wèn)題，存在一個(gè)超平面將其分開(kāi)）。其中，感知機(jī)和多層網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 感知機(jī)和多層網(wǎng)絡(luò)結(jié)構(gòu)

圖像識(shí)別、聲音識(shí)別或AlphaGo圍棋學(xué)習(xí)中，更注重學(xué)習(xí)過(guò)程和算法。多智能、會(huì)學(xué)習(xí)的機(jī)器，在實(shí)現(xiàn)對(duì)字符、人臉、地標(biāo)等進(jìn)行幾乎精確的識(shí)別中應(yīng)用預(yù)測(cè)價(jià)值更高。該學(xué)習(xí)作為深度學(xué)習(xí)的新浪潮，打造了人工智能新的里程碑，在其他方面具有突出的應(yīng)用功效。

基于深度學(xué)習(xí)的圖像識(shí)別原理，對(duì)遴選的樣本進(jìn)行數(shù)據(jù)標(biāo)注，并為后續(xù)數(shù)據(jù)建模服務(wù)提供數(shù)據(jù)標(biāo)注依據(jù)。在數(shù)據(jù)標(biāo)注細(xì)節(jié)上，通過(guò)一定量的已標(biāo)注數(shù)據(jù)，在深度學(xué)習(xí)的大腦中建立模型。模型建成后，一旦再次遇到相似的圖像，深度學(xué)習(xí)就能根據(jù)圖片的一般情況做好相關(guān)模型相似度的對(duì)比。在建立模型的過(guò)程中，以海量大數(shù)據(jù)為基礎(chǔ)，對(duì)其進(jìn)行精準(zhǔn)控制。

2.3 人工智能應(yīng)用處理系統(tǒng)設(shè)計(jì)

人工智能技術(shù)對(duì)電氣設(shè)備的優(yōu)化設(shè)計(jì)，順利優(yōu)化了更多、更復(fù)雜的計(jì)算及模擬，并在傳統(tǒng)手工設(shè)計(jì)向計(jì)算機(jī)輔助設(shè)計(jì)轉(zhuǎn)型發(fā)展的新時(shí)期，獲得了更精準(zhǔn)、更快速、更迅捷的體驗(yàn)，也能在產(chǎn)品效率、成本控制方面滿(mǎn)足電氣設(shè)備運(yùn)行設(shè)計(jì)要求，使得基于深度學(xué)習(xí)的人工智能技術(shù)兼顧經(jīng)濟(jì)效益和社會(huì)效益。

以電氣設(shè)備優(yōu)化設(shè)計(jì)為例，計(jì)算機(jī)輔助設(shè)計(jì)可提高對(duì)電氣設(shè)備設(shè)計(jì)涉及的電機(jī)電器、電磁場(chǎng)、電路等技術(shù)手段的效率和質(zhì)量。永磁直流電動(dòng)機(jī)設(shè)計(jì)采用等效磁路法，將電機(jī)空間內(nèi)存在的不均勻分布的磁場(chǎng)轉(zhuǎn)化成等效的多段磁路，并近似認(rèn)為在每段磁路中磁通沿截面和長(zhǎng)度均勻分布，將磁場(chǎng)的計(jì)算轉(zhuǎn)化為磁路計(jì)算，然后用各種系數(shù)進(jìn)行修正，使各段磁路的磁位差等于磁場(chǎng)中對(duì)應(yīng)點(diǎn)之間的磁位差。通過(guò)積累一定的經(jīng)驗(yàn)，取得各種實(shí)際的修正系數(shù)后，計(jì)算精度可以滿(mǎn)足工程實(shí)際的需要，然后初步確定磁路結(jié)構(gòu)，酌情選擇表貼凸出式轉(zhuǎn)子磁路結(jié)構(gòu)和表貼插入式轉(zhuǎn)子磁路結(jié)構(gòu)。

電氣設(shè)備故障診斷中和電氣設(shè)備智能控制中，涵蓋神經(jīng)網(wǎng)絡(luò)控制專(zhuān)家、系統(tǒng)控制及模糊控制。學(xué)習(xí)內(nèi)容上，自編碼器、卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）、DBN都涉及很多技術(shù)細(xì)節(jié)，同時(shí)模型復(fù)雜程度從原來(lái)的線(xiàn)性堆疊變成了可以任意堆疊。

深度學(xué)習(xí)可借助數(shù)據(jù)中心、臺(tái)式電腦、筆記本電腦以及云端等，為世界上速度超快的超級(jí)計(jì)算機(jī)深度學(xué)習(xí)奠定了基礎(chǔ)。GPU加速數(shù)據(jù)中心可憑借更少的服務(wù)器提供突破性性能，以降低成本。在維護(hù)操作安全方面，數(shù)據(jù)存儲(chǔ)、處理和分析敏感數(shù)據(jù)更精準(zhǔn)。云計(jì)算通過(guò)實(shí)現(xiàn)數(shù)據(jù)中心的大眾化和轉(zhuǎn)變企業(yè)的運(yùn)作方式，已經(jīng)成為各行各業(yè)實(shí)現(xiàn)變革的關(guān)鍵。還可利用全球各大云服務(wù)提供商，使用NVIDIA GPU，在存儲(chǔ)于云端的數(shù)據(jù)中獲取有用的信息。

2.4 應(yīng)用可行性分析

人工智能應(yīng)用處理系統(tǒng)可借助視聽(tīng)覺(jué)、味觸覺(jué)、平衡感及存儲(chǔ)器等，賦予學(xué)習(xí)者多樣化選擇，尋求一種合乎邏輯的推測(cè)、預(yù)演和推演，設(shè)計(jì)智能生命模型，即獲取外界信息感知系統(tǒng)、選擇性存儲(chǔ)信息的信息處理系統(tǒng)、表達(dá)感知的反饋系統(tǒng)（語(yǔ)言反饋、肢體動(dòng)作反饋……）、清除記憶的遺忘系統(tǒng)、對(duì)記憶系統(tǒng)數(shù)據(jù)進(jìn)行歸納和總結(jié)系統(tǒng)。

3 研究綜述

基于樹(shù)莓派平臺(tái)，借助Intel的視頻處理器（Video Processing Unit，VPU）低功耗加速模塊，設(shè)計(jì)并實(shí)現(xiàn)了基于殘差特征提取模塊CNN模型的實(shí)時(shí)人臉檢測(cè)系統(tǒng)。對(duì)比單純使用樹(shù)莓派中央處理器（Central Processing Unit，CPU）進(jìn)行計(jì)算，文中方法在視頻流中檢測(cè)人臉和人臉關(guān)鍵點(diǎn)提取的實(shí)驗(yàn)中分別實(shí)現(xiàn)了18.62倍和17.46倍的加速，使得在便攜式設(shè)備中實(shí)現(xiàn)快速、實(shí)時(shí)、在線(xiàn)的人臉檢測(cè)和特征點(diǎn)提取成為現(xiàn)實(shí)，同時(shí)為使用便攜式、低功耗設(shè)備運(yùn)行深度學(xué)習(xí)算法提供了一種可行的方案[1]。在復(fù)合地形下的長(zhǎng)期演進(jìn)（Long Term Evolution，LTE）網(wǎng)絡(luò)數(shù)據(jù)和其他典型數(shù)據(jù)集下，與傳統(tǒng)的經(jīng)驗(yàn)?zāi)Ｐ秃同F(xiàn)有的智能無(wú)線(xiàn)傳播模型相比，所提模型對(duì)各種傳播場(chǎng)景均具有適用性，且進(jìn)一步減小了路徑損耗的預(yù)測(cè)誤差。借鑒經(jīng)驗(yàn)?zāi)Ｐ?，利用一些修正?xiàng)，使用頻率覆蓋范圍為1 500～2 000 MHz，得到COST231-Hata模型。與Okumura-Hata模型一樣，COST231-Hata模型以O(shè)kumura等人的測(cè)試結(jié)果為依據(jù)，通過(guò)對(duì)較高頻段的Okumura傳播曲線(xiàn)進(jìn)行分析求解，在頻段f（1 500～2 000 MHz）、基站天線(xiàn)有效高度hb為30～200 m、移動(dòng)臺(tái)天線(xiàn)高度hm為1～10 m、通信距離為1～20 km等參數(shù)設(shè)定上取得了顯著效果。智能無(wú)線(xiàn)傳播模型進(jìn)行重新訓(xùn)練，并部署該智能無(wú)線(xiàn)傳播模型，以預(yù)測(cè)該區(qū)域的路徑損耗[2]。一種使用Ray框架來(lái)處理自動(dòng)駕駛?cè)蝿?wù)的遠(yuǎn)程分布式計(jì)算系統(tǒng)設(shè)計(jì)方案，克服單一計(jì)算平臺(tái)的算力限制，為更高級(jí)別的自動(dòng)駕駛提供支持。應(yīng)用設(shè)計(jì)后，它可大幅減少自動(dòng)駕駛?cè)蝿?wù)的處理時(shí)間，提高系統(tǒng)吞吐量，保證自動(dòng)駕駛?cè)蝿?wù)的實(shí)時(shí)性[3]。利用PYNQ-Z2的處理系統(tǒng)（Processing System， PS）和可編程邏輯（Progarmmable Logic，PL）交互式數(shù)據(jù)傳輸處理效應(yīng)，盡可能發(fā)揮ARM（Advanced RISC Machines）和現(xiàn)場(chǎng)可編程邏輯門(mén)陣列（Field-Programmable Gate Array，F(xiàn)PGA）的優(yōu)勢(shì)，從而實(shí)時(shí)進(jìn)行人臉檢測(cè)。搭建Linux環(huán)境并運(yùn)行Jupyter Notebook交互式在線(xiàn)編譯器，調(diào)用IPython內(nèi)核和PYNQ的硬件庫(kù)，導(dǎo)入OpenCV庫(kù)編寫(xiě)并且編譯執(zhí)行Python程序，可實(shí)現(xiàn)在線(xiàn)控制PYNQ-Z2來(lái)獲得視頻流輸入并對(duì)視頻數(shù)據(jù)進(jìn)行傳輸和處理，從而實(shí)現(xiàn)人臉圖像的分析與檢測(cè)[4]?；赗OS下的gmapping和move_base等算法，實(shí)現(xiàn)巡檢機(jī)器人自動(dòng)建圖及自主導(dǎo)航功能，設(shè)計(jì)并實(shí)現(xiàn)了ROS系統(tǒng)和Node.js之間的通信架構(gòu)，并基于Vue.js前端框架進(jìn)行Web監(jiān)控系統(tǒng)的設(shè)計(jì)開(kāi)發(fā)，能夠?qū)崟r(shí)查看巡檢機(jī)器人的檢測(cè)目標(biāo)，獲取環(huán)境信息，并遠(yuǎn)程控制巡檢機(jī)器人的移動(dòng)[5]。

4 結(jié)語(yǔ)

深度學(xué)習(xí)的訓(xùn)練和推理均依賴(lài)于圖形處理器（Graphics Processing Unit，GPU）加速，而NVIDIA能夠在任何平臺(tái)帶來(lái)所需的強(qiáng)勁加速性能。無(wú)論是圖像識(shí)別還是自然語(yǔ)言處理，性能和效率對(duì)于深度學(xué)習(xí)推理而言都至關(guān)重要。在維護(hù)操作安全性的同時(shí)，它可存儲(chǔ)、處理和分析敏感數(shù)據(jù)。