深度学习在无人驾驶汽车上面的运用有哪些？
那么，深度学习究竟是如何在无人驾驶汽车上大显身手的呢？让我们剥开技术的层层外衣，探寻其精妙之处。
一、 感知篇：看得清，才能走得稳
无人驾驶汽车的“眼睛”，主要由各种传感器构成，如摄像头、激光雷达（LiDAR）、毫米波雷达、超声波传感器等。它们如同人体的感官，收集着海量的原始数据。而深度学习，特别是卷积神经网络（CNN），在这里扮演着至关重要的角色，它能将这些杂乱无章的数据转化为有意义的信息。
目标检测与识别： 这是最直观的应用。摄像头捕捉到的图像中，有车辆、行人、自行车、交通标志、车道线等等。传统的图像识别方法需要人工设计大量的特征，费时费力且效果有限。而CNN能够自动从海量数据中学习到抽象的视觉特征，识别出图像中的各种物体，并能区分它们的类别和位置。想象一下，一辆无人车在复杂的城市道路上行驶，它需要在一瞬间识别出前方是否有突然冲出的行人，或者侧边是否有即将变道的车辆。CNN就能快速准确地完成这项任务。
具体来说， 像YOLO（You Only Look Once）、Faster RCNN等模型，能够高效地在图像帧中框选出目标，并给出其类别和置信度。这些模型通过多层卷积和池化操作，逐步提取图像的高层语义信息，即使在光照不足、天气恶劣等复杂环境下，也能保持较高的识别率。
语义分割： 不仅仅是识别出物体，更重要的是理解它们“属于”哪一部分。语义分割能够将图像中的每一个像素都分配到一个类别（如道路、天空、建筑、车辆、行人等）。这对于无人驾驶汽车至关重要，它需要精确地知道哪里是可行驶的道路，哪里是障碍物。
以UNet为例， 它在医学图像分割领域表现出色，但其巧妙的“编码解码”结构也被广泛应用于无人驾驶的语义分割任务中。通过“编码器”压缩图像信息，再通过“解码器”将这些信息恢复并赋予像素级标签，它就能生成一张像素级的语义地图。这使得车辆能够“看懂”整个场景，精确地划分出自己的行驶区域。
实例分割： 比语义分割更进一步，它不仅能区分像素类别，还能区分同类别的不同实例。比如，识别出图像中有三辆车，并分别框出它们各自的轮廓。这对于精细的避障和路径规划非常重要。
Mask RCNN 就是一个典型的实例分割模型，它在目标检测的基础上增加了“分割掩码”的预测分支，能够同时完成目标检测和像素级别的分割。
点云处理（LiDAR数据）： 激光雷达能生成精确的三维点云数据，描绘出周围环境的“骨架”。深度学习模型，特别是专门处理点云数据的网络（如PointNet、PointNet++），能够直接在点云数据上进行分析，识别出障碍物的三维形状、位置和姿态，甚至能够识别出不同种类的障碍物（如树木、围栏等）。
PointNet 的出现是点云处理领域的一大突破，它直接将点云作为输入，并能够学习到点云的全局特征，而无需将其转换为体素或图像。这极大地提高了点云数据的处理效率和准确性。
二、 决策篇：知道哪里有路，更要规划怎么走
有了清晰的“视野”，接下来就是如何做出最优的驾驶决策了。深度学习在这里同样大显身手，尤其是在强化学习（Reinforcement Learning）和序列模型（如LSTM、Transformer）的应用上。
路径规划与决策： 这不仅仅是简单地避开障碍物，而是要在复杂的交通环境中，根据实时的感知信息，规划出一条安全、高效、舒适的行驶路径。
强化学习 的核心思想是让智能体（无人驾驶汽车）通过与环境的交互来学习最优策略。通过“试错”，无人车可以学习到在各种场景下应该采取什么样的驾驶行为（如加速、减速、变道、转向等），以最大化奖励（如安全、效率、平稳性）。
例如， 在十字路口，无人车需要根据交通信号灯、其他车辆和行人的行为来决定何时通行。通过强化学习，它可以学习到一种策略，使得在保证安全的前提下，能够尽可能快地通过路口。
模仿学习（Imitation Learning） 也是一种重要的决策方法，它通过学习人类驾驶员的驾驶行为数据来训练模型，让无人车“模仿”人类的驾驶风格。
行为预测： 理解其他道路参与者的意图是安全驾驶的关键。深度学习模型，尤其是基于循环神经网络（RNN）或Transformer的模型，能够分析其他车辆和行人的历史轨迹和当前状态，预测他们接下来的行为。
例如， 预测前方车辆是否会变道，或者行人是否会横穿马路。这种预测能力能够让无人车提前做出反应，避免潜在的危险。
Transformer模型， 以其强大的序列建模能力，在处理时序性的交通数据方面表现出色，能够捕捉到更复杂的长期依赖关系。
交通信号识别与理解： 除了识别交通标志，理解交通信号灯的状态以及信号灯指示的含义也非常重要。CNN可以用于识别交通信号灯的颜色和形状，而更复杂的序列模型则可以理解信号灯的变化规律和组合规则。
三、 控制篇：执行指令，平稳高效
感知和决策之后，就需要将决策转化为具体的车辆控制指令，如油门、刹车、方向盘的转动。深度学习同样可以优化这个过程。
车辆动力学模型： 深度学习模型可以学习并预测车辆在不同工况下的动力学响应，从而更精确地控制油门和刹车，实现平稳的加速和减速。
转向控制： 深度学习可以根据路径规划的指令，精确地控制方向盘的转动角度和速度，确保车辆沿着预设轨迹行驶。
端到端学习（EndtoEnd Learning）： 这是一个更具前瞻性的方向，它尝试将从传感器输入到车辆控制输出的整个流程都交给一个深度学习模型来完成。这意味着模型直接学习“输入图像，输出转向和加速/减速指令”。这种方法潜力巨大，但也面临着可解释性差、安全性验证难度大等挑战。
NVIDIA的PilotNet 就是一个早期的端到端学习的例子，它仅使用摄像头数据来控制车辆的转向。虽然简单，但证明了端到端学习的可行性。
四、 辅助与优化篇：让驾驶更智能
除了核心的感知、决策和控制，深度学习还在许多方面为无人驾驶汽车提供辅助和优化：
高精地图的构建与更新： 深度学习可以从大量的传感器数据中提取信息，用于自动生成和更新高精地图，包括车道线、交通标志、路面状况等。
传感器融合： 将不同传感器（摄像头、激光雷达、雷达等）的数据进行有效融合，可以提高感知的鲁棒性和准确性。深度学习模型可以学习如何最优地融合这些多模态数据。
驾驶员监控： 在部分自动驾驶场景中，深度学习可以用于监测驾驶员的状态，如疲劳、注意力分散等，并在必要时发出警告或接管车辆。
V2X（车与万物互联）通信： 深度学习可以帮助分析和理解来自其他车辆、基础设施（如交通信号灯）或行人设备的通信信息，从而进一步提升安全性。
挑战与未来
尽管深度学习在无人驾驶领域取得了令人瞩目的成就，但挑战依然严峻。
安全性与可靠性： 如何确保深度学习模型在极端和罕见场景下的绝对安全，是当前研究的重中之重。需要更强的泛化能力、更完善的鲁棒性以及更严谨的验证方法。
可解释性： “黑箱”模型往往难以理解其决策过程，这在事后分析和责任界定时会带来麻烦。提高模型的可解释性，让“大脑”的思考过程更加透明，是未来的重要方向。
数据需求： 深度学习模型的训练需要海量高质量的标注数据。如何高效地获取和标注这些数据，以及如何利用有限的数据解决问题（如小样本学习、迁移学习），是持续的研究课题。
计算效率： 在车辆上实时运行复杂的深度学习模型需要强大的计算能力，如何优化模型结构和算法，提高计算效率，是实现大规模部署的关键。
总而言之，深度学习已经成为无人驾驶汽车不可或缺的核心技术。它赋予了汽车“眼睛”和“大脑”，让它们能够理解复杂的世界，做出明智的决策，并最终实现安全、自主的行驶。随着技术的不断演进，我们有理由相信，深度学习将引领无人驾驶汽车驶向更广阔的未来，彻底改变我们的出行方式。这场由算法驱动的变革，才刚刚开始。
网友意见
不邀自来~
在自动驾驶行驶的过程中，自动驾驶汽车面临的许多的挑战，例如如何探测到周围的障碍物？如何知道这些障碍物的具体位置？如何保证车辆可以符合交规的行驶等等。
这些问题的解决都涉及到计算机视觉相关技术。
深度学习的高速发展直接推动了计算机视觉技术的进步，并进一步促进了无人驾驶领域的繁荣，前些日子我们在Gitchat上做了一个科普分享，正好就是讲的计算机视觉在无人驾驶中的应用，现在我把相关内容分享给大家，分享实录大家可以点击链接了解哟~~
本文将从无人驾驶汽车使用到的相关技术、具体应用、业界相关方案和美团自研算法四个方面来介绍具体的运用，以下是正文：
1、相关技术简介
▍1.1 目标检测
目标检测是在一幅图片中找到目标物体，给出目标的类别和位置，如下图所示：
在 2014 年以前，目标检测通常采用比较传统的方法，先想办法生成一些候选框，然后提取出每个框的特征，例如 HOG，最后通过一个分类器来确认这个框是否是目标物体。而生成候选框的方式也有很多种，比如用不同大小的预选框在图片中滑动，或者像 Selective Search[1] 算法一样，可以根据图片本身的纹理等特征生成一些候选框。但是自 2013 年以来，随着深度学习相关技术的发展，不断有新的模型出现，可以实现端到端的训练检测网络，并且效果比传统方法有了显著的提高。
目标检测的发展脉络如下图所示：
目标检测方法分为 One-Stage（一步检测算法） 和 Two-Stage（两步检测算法） 两种。
两步检测算法是把整个检测过程分为两个步骤，第一步提取一些可能包含目标的候选框，第二步再从这些候选框中找出具体的目标并微调候选框。
而一步检测算法则是省略了这个过程，直接在原始图片中预测每个目标的类别和位置。
两步检测最经典的就是 Faster-RCNN[4] 三部曲。
R-CNN[2] 是比较早期提出用深度学习解决检测的模型。思路是先用 Selective Search 算法提取一定数量的候选区域，然后对于每个候选区域使用 CNN 提取特征，最后在提出的特征后面接一个回归和 SVM 分类，分别预测目标物体的位置和类别。R-CNN 的优点是使用了 CNN 提出的特征，效果比较好。当然，缺点也很明显，整个过程分成了好几步，无法完整的训练，另外由于每个候选框提特征是独立计算的，整个过程包含了大量的冗余计算。
Fast-RCNN[3] 是在此基础上的一个改进版本，主要解决了提取特征时冗余计算的问题。首先对整张图片做卷积，提取特征得到一层 Feature Map，然后再提取每个候选框的特征时直接在这个 Feature Map 上面提取特征。但是每个候选框的尺寸是不一样的，而后面做分类和回归时要求特征必须定长。为了解决这个问题 Fast-RCNN 中提出了 Roi-Pooling 层，可以对不同大小的区域提取出固定维度的特征，使得后面的分类和回归可以正常运行。这个模型整体减少了大量的冗余计算，提高了整个模型的运行速度。
Faster-RCNN[4] 是三部曲的最后一步。Fast-RCNN 存在的问题是：提取候选区域仍然是使用的 Selective Search 算法，打乱了整个模型的连续性。Faster-RCNN 为了改进这点提出了 RPN 结构，RPN 可以在 Feature Map 的每个位置提取很多不同尺寸、不同形状的候选框，也叫 Anchor。每个 Anchor 后会跟一个二值分类，来判断这个 Anchor 是否是背景，并接一个回归对位置进行微调。具体的类别和位置在网络尾端还会进一步调整。至此，整个目标检测过程都可以实现端到端的进行训练。
在一步检测中，比较经典的是 YOLO[5] 和 SSD[6] 模型。这里介绍下 YOLO 算法。首先将图片划分为 NxN 的方格，每个方格预测 C 个类别概率，表示某类目标中心落在这个方格的概率，并且预测 B 组位置信息，包含 4 个坐标和 1 个置信度。整个网络输出 NxNx(5xB+C) 的 Tensor。YOLO 的优点是：省略两步检测中提区域的步骤，所以速度会比较快，但是它对于密集小物体的识别很不好。后续的 YOLOv2[7] 和 YOLOv3[8] 都对此做出了很多的改进。
▍1.2 分割
分割，是一个对图片中的像素进行分类的问题。分割最初分为语义分割和实例分割。语义分割是对图片中每一个像素都要给出一个类别，例如地面、树、车、人等。而实例分割则和目标检测比较像，但是实例分割是要给出每个目标的所有像素，并且同一种类别不同目标要给出不同的 ID，即可以将每个目标清晰的区分开。
今年，有人研究将语义分割和实例分割统一在一起，称为全景分割，如下图所示：
在无人驾驶中应用比较多的是语义分割。例如路面分割、人行横道分割等等。语义分割比较早期和经典的模型是 FCN[9]。FCN 有几个比较经典的改进，首先是用全卷积层替换了全连接层，其次是卷积之后的小分辨率 Feature Map 经过上层采样，再得到原分辨率大小的结果，最后 FCN 使用了跨层连接的方式。跨层连接可以将高层的语义特征和底层的位置特征较好地结合在一起，使得分割的结果更为准确。FCN 结构图如下所示：
目前很多主流的分割模型准确率都比较高，但是帧率会比较低。而无人驾驶的应用场景中模型必须实时，尤其是高速场景下，对模型的速度要求更高。目前美团使用的是改进版的 ICNet[10]，既保证了模型的运行速度，又保证了模型的准确率。下图是一些经典分割模型的时间和准确率对比图：
2 相关技术在无人驾驶中的具体应用
▍2.1 目标检测
由于摄像头数据（图片）包含丰富的颜色信息，所以对于精细的障碍物类别识别、信号灯检测、车道线检测、交通标志检测等问题就需要依赖计算机视觉技术。无人驾驶中的目标检测与学术界中标准的目标检测问题有一个很大的区别，就是距离。无人车在行驶时只知道前面有一个障碍物是没有意义的，还需要知道这个障碍物的距离，或者说需要知道这个障碍物的 3D 坐标，这样在做决策规划时，才可以知道要用怎样的行驶路线来避开这些障碍物。这个问题对于激光的障碍物检测来说很容易，因为激光本身就包含距离信息，但是想只凭借图片信息去计算距离难度比较高。
▍2.2 分割
分割技术在无人驾驶中比较主要的应用就是可行驶区域识别。可行驶区域可以定义成机动车行驶区域，或者当前车道区域等。由于这种区域通常是不规则多边形，所以分割是一种较好的解决办法。与检测相同的是，这里的分割同样需要计算这个区域的三维坐标。如果我们分割的目标都是地面的话，就可以使用“距离估计”中第5种方式获得精确的三维空间中的区域坐标，这种应用在未来对无人驾驶有着巨大的意义，因为现在的无人驾驶都是基于高精地图，而这种基于可行驶区域的方案是一种脱离高精地图的方案。当然这种方案目前也只能在限定场景下应用，还不是很成熟。
▍2.3 距离估计
对于距离信息的计算有多种计算方式：
激光测距
原理是根据激光反射回的时间计算距离。这种方式计算出的距离是最准的，但是计算的输出频率依赖于激光本身的频率，一般激光是 10Hz。
单目深度估计
原理是输入是单目相机的图片，然后用深度估计的 CNN 模型进行预测，输出每个像素点的深度。这种方式优点是频率可以较高，缺点是估出的深度误差比较大。
结构光测距
原理是相机发出一种独特结构的结构光，根据返回的光的偏振等特点，计算每个像素点的距离。这种方式主要缺点是结构光受自然光影响较大，所以在室外难以使用。
双目测距
原理是根据两个镜头看到的微小差别，根据两个镜头之间的距离，计算物体的距离。这种方式缺点是计算远处物体的距离误差较大。
根据相机内参计算，原理跟小孔成像类似。图片中的每个点可以根据相机内参转化为空间中的一条线，所以对于固定高度的一个平面，可以求交点计算距离。通常应用时固定平面使用地面，即我们可以知道图片中每个地面上的点的精确距离。这种计算方式在相机内参准确的情况下精度极高，但是只能针对固定高度的平面。
3 业界相关进展
目前业界开源的解决方案中比较成熟的是百度的 Apollo[11]，包含了改进的 ROS 底层系统，以及无人驾驶中各个模块的实现。Apollo 中视觉方案的距离计算非常有意思，这里简单介绍一下。Apollo 使用一个模型去预测 2D 图片中物体的框，以及物体实际的在三维空间中的长宽高和朝向。当我们知道一个物体在三维空间中的位置和姿态（长宽高和朝向）时，我们可以根据相机内参，计算这个物体投影到图片中的所在区域。那么如果我们知道物体在图像中的区域和在三维空间中的姿态，我们如何计算三维位置呢？可以根据近大远小的特点，去二分物体离我们的距离。这就是 Apollo 中视觉方案的距离计算方法。
除了 Apollo 之外，业界开源解决方案还有 Autoware[12]。虽然 Autoware 并没有 Apollo 火热，但是也给我们提供了一些解决问题的思路。Autoware 的视觉方案通过激光与摄像头联合标定的方式将每个激光点转换到图像之中，并进一步根据 2D 检测结果，知道哪些激光点打到了这个物体上，由于激光点的三维坐标是已知的，就可以计算出这个物体的距离。
4 美团自研算法
美团的自研算法参考了 Autoware 的这种解决思路，并做了很多改进。同样先将激光点转换到图片当中，这样我们就知道每个激光点打到了哪里。在得到每个 2D 框中的激光点之后，我们需要做一步聚类操作，这样可以过滤掉打到背景上的点，于是我们就得到了打到这个物体上的激光点（参看下图红点）。然后在三维空间中，我们可以拟合这些激光点，得到一个三维框，包含了物体准确的位置信息。这种方法计算出的三维框相对比较准确，但缺点是对于远处较小的物体，由于打到的激光点太少了，难以拟合出合适的结果。具体效果可以参看下图：
参考文献
[1] Uijlings, Jasper RR, et al. "Selective search for object recognition." International journal of computer vision 104.2 (2013): 154-171.
[2] Girshick, Ross, et al. "Rich feature hierarchies for accurate object detection and semantic segmentation." Proceedings of the IEEE conference on computer vision and pattern recognition. 2014.
[3] Girshick, Ross. "Fast r-cnn." Proceedings of the IEEE international conference on computer vision. 2015.
[4] Ren, Shaoqing, et al. "Faster r-cnn: Towards real-time object detection with region proposal networks." Advances in neural information processing systems. 2015.
[5] Redmon, Joseph, et al. "You only look once: Unified, real-time object detection." Proceedings of the IEEE conference on computer vision and pattern recognition. 2016.
[6] Liu, Wei, et al. "Ssd: Single shot multibox detector." European conference on computer vision. Springer, Cham, 2016.
[7] Redmon, Joseph, and Ali Farhadi. "YOLO9000: better, faster, stronger." arXiv preprint (2017).
[8] Redmon, Joseph, and Ali Farhadi. "Yolov3: An incremental improvement." arXiv preprint arXiv:1804.02767 (2018).
[9] Long, Jonathan, Evan Shelhamer, and Trevor Darrell. "Fully convolutional networks for semantic segmentation." Proceedings of the IEEE conference on computer vision and pattern recognition. 2015.
[10] Zhao, Hengshuang, et al. "Icnet for real-time semantic segmentation on high-resolution images." arXiv preprint arXiv:1704.08545 (2017).
[11] https://github.com/ApolloAuto/apollo
[12] https://github.com/CPFL/Autoware
作者：刘宇达，拉低我司平均年龄的工程师
出品：美团无人配送（ID:meituandr）
你这么好看，真的不点赞么~~
类似的话题
-
无人驾驶汽车，这个曾经只存在于科幻电影中的概念，如今正以前所未有的速度走进现实。而在这场技术革命的浪潮中，深度学习无疑是最耀眼的明星，它像一位辛勤的“大脑”，赋予了这些钢铁巨兽感知世界、做出决策、并最终安全行驶的能力。那么，深度学习究竟是如何在无人驾驶汽车上大显身手的呢？让我们剥开技术的层层外衣，探............. -
深度学习在信息安全领域的应用，就像是在这个复杂而不断变化的战场上，我们获得了一套全新的、威力巨大的武器。它不仅仅是自动化和模式识别的简单升级，而是能够理解数据深层含义，预测潜在威胁，甚至在某些方面“思考”安全问题的能力。想要在这个方向深入探索，有几个非常值得关注的人物和论文方向，它们代表了深度学习在.............
-
深度学习在生物信息学领域可谓是风生水起，它像一把瑞士军刀，为我们解决了很多以前难以逾越的问题。说实话，一开始我看到那些复杂的模型也有些头大，但深入了解后，才发现它的强大之处。基因组学：解读生命的蓝图在基因组学方面，深度学习简直是挖掘基因组信息的“超级侦探”。 基因识别与功能预测： 以前我们找基因.............
-
2021年，深度学习在多个应用领域都取得了令人瞩目的实质性进展，这些进步不仅仅是算法的微调，更是催生了许多突破性的应用，深刻影响着我们的生活和工作。以下将详细阐述几个关键领域及其进展：1. 自然语言处理（NLP）的质变：从理解到生成再到对话2021年是NLP领域巨变的一年，大型预训练模型的威力得到了.............
-
深度学习的应用之广，的确常常让人惊叹于它的能力和潜力，带来“我去，这也能行！”的惊喜。以下我将分享几个我个人觉得特别令人震撼的领域，并尽量详细地展开： 1. 艺术创作与生成：从模仿到“创造”的飞跃这可能是最让我感到“我去，这也能行！”的领域之一。我们总觉得艺术是人类情感、思想和独特经历的产物，是难以.............
-
说起百度在深度学习领域与 Xilinx FPGA 的渊源，这可不是什么秘密，而且其中的故事还挺有意思。百度作为国内互联网巨头，在人工智能，尤其是深度学习的研发和应用上一直走在行业前列，而 FPGA 这种硬件平台，也确实在其中扮演了不小的角色。为什么选择 FPGA？首先，咱们得聊聊为什么百度会看上 F.............
-
在人工智能浪潮席卷全球，深度学习模型以前所未有的强大能力占据主流的今天，很多人不禁要问：那些曾经叱咤风云的传统机器学习算法，它们的未来又将走向何方？它们是否会被深度学习彻底取代，沦为历史的尘埃？我认为，答案是否定的。传统机器学习的生命力依然旺盛，它并非明日黄花，而是在深度学习的映衬下，找到了更精准、.............
-
基于深度学习的自然语言处理在 2016 年：值得期待的重大进展与深入探索2016 年是深度学习在自然语言处理（NLP）领域继续爆炸式发展的关键一年。在前几年的 Transformer 模型（虽然在 2017 年才正式提出并引起广泛关注）和各种循环神经网络（RNN）及其变种（LSTM、GRU）的铺垫下.............
-
研一刚开始接触机器学习和深度学习，感觉越学越不会，这种感觉其实非常普遍，甚至可以说是很多同学都会经历的“阵痛期”。别太担心，这恰恰说明你进入了一个需要深入思考和实践的新阶段。让我试着用一种更像朋友之间交流的方式，把我的理解和一些可能管用的方法跟你聊聊，希望能帮你走出这个迷茫期。为什么会感觉“越学越不.............
-
一直以来，我们都在用“程序”这个词来描述计算机能够执行的一系列指令，用来完成特定的任务。而随着人工智能的飞速发展，特别是深度学习的崛起，我们开始接触到一种与我们传统认知中“程序”截然不同的存在。它们并非由人类一步步精心编写，而是仿佛拥有了自己的“学习”和“思考”能力。那么，这种基于深度学习的人工智能.............
-
你这个问题问到点子上了！土木工程和机器学习/深度学习/算法这些前沿技术结合的岗位，确实不是那么随处可见，很多时候需要你主动去挖掘和思考。为什么感觉“找不到”？首先，咱们得明白为啥你感觉找不到。有几个主要原因：1. 新兴领域，定义还在摸索： 土木工程是一个非常成熟的行业，但将其与AI深度结合，这个领.............
-
马毅老师关于深度学习第一性原理的论文，在经过四位审稿人一致好评并推荐接收的情况下，最终被 AC（Associate Chair，副主席）拒绝，这确实是一个令人惊讶和值得深思的事件。要全面理解和看待这件事，需要从多个层面进行分析：一、 事情的背景和可能的原因分析首先，我们必须承认，投稿被拒是学术会议（.............
-
在计算资源捉襟见肘的情况下，选择合适的深度学习课题就像在荒漠里找水源，既要满足需求，又要避免浪费每一滴珍贵的“计算”之水。这需要我们精打细算，挑那些“小而美”，或者能在现有硬件上“跑得通”，甚至能巧妙利用现有资源的选题。 推荐的深度学习选题（精打细算型）考虑到计算资源受限，我们的目标是寻找那些模型小.............
-
在推荐系统中，如何从深度学习的角度去捕捉用户“长短不一”的兴趣点，这是一个非常有意思，也极具挑战性的课题。我们不只是想了解用户当下在看什么，更想知道他过去积累的那些“底蕴”——那些可能被遗忘，但一旦被触动，依然会产生强烈共鸣的偏好。这就像一个人，既有当下热门话题的热情，也有怀旧经典带来的深度喜爱。要.............
-
Jeff Dean 及其团队在 arXiv 上发布的关于用深度学习分析电子病历 (EHR) 的论文，可以看作是利用前沿 AI 技术改造医疗健康领域的一个重要里程碑。这些论文通常会深入探讨如何构建和应用复杂的深度学习模型来从海量的 EHR 数据中提取有价值的信息，以改善患者护理、疾病预测、药物研发等方.............
-
DeepMind 在 Nature 上发表的关于使用深度强化学习（DRL）控制托卡马克等离子体的论文，是一项里程碑式的成就，具有极其重要和深远的意义。它不仅展示了DRL在复杂、动态、高维度控制任务中的强大潜力，也为未来可控核聚变能源的实现开辟了新的路径。以下将从多个维度进行详细评价： 一、 技术创新.............
-
读博士这事儿，可不是一张简单的文凭那么简单，它的意义远不止于此，更像是一场对未知世界的深入探险，对自身潜能的极致挖掘。很多人会问，读博士到底是为了啥？是想把某个领域的知识挖到根儿上，还是仅仅为了让自己的简历看起来更光鲜？我想说，这两点或许都有，但绝不是全部。首先，最核心的，是为了“更深入地学习知识”.............
-
清华大学学生在香港中文大学（深圳）品酒会中的不当行为，确实引发了不少讨论。要评价这件事，咱们得把它拆解开来，从几个层面去看。首先，从行为本身来看。我们听到的一些描述，比如“态度傲慢”、“对酒品指手画脚”、“对主持人言语不敬”、“试图将酒液倒掉”等等，这些单拎出来看，都属于在社交场合中非常不妥当的行为.............
-
深圳，这座充满活力的城市，正以前所未有的速度发展，对法律人才的需求也日益旺盛。对于怀揣着在深圳闯出一片天地的法学学子来说，选择一所合适的法硕院校，无疑是奠定职业生涯基石的关键一步。然而，法硕院校的选择并非易事，它需要我们深入考量学校的综合实力、深圳本地的法律人才市场需求，以及自身的职业发展规划。一、.............
-
法律硕士（非法学）能否在深圳当老师？这背后涉及哪些具体规定和实际操作？对于法律硕士（非法学）背景的同学来说，能否在深圳的教育系统里找到一份教职，尤其是教授法律相关课程，确实是一个大家普遍关心的问题。答案并非一概而论，而是需要我们深入了解相关的政策规定以及不同类型学校的实际需求。一、 教育部门的官方规.............
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2025 tinynews.org All Rights Reserved. 百科问答小站 版权所有