内容简介：Deep Learning是由Rina Dechter于1986年创造的，它是机器学习领域发展最快的方法之一，常用于面部，语音和音频识别，语言处理，社交网络过滤和医学图像分析以及更具体的解决方案。任务，例如解决逆成像问题。传统上，深度学习系统在计算机上实现，以学习数据表示和抽象并执行任务，与人类的表现相当或更好。然而，由加州大学洛杉矶分校电气和计算机工程教授Aydogan Ozcan博士领导的团队并没有使用传统的计算机设备，放弃所有那些需要耗费能量的电子，转而使用光波。结果是其全光学衍射深度神经网络（D2
加州大学洛杉矶分校的研究人员创造了一个独特的全光学平台，以光速执行机器学习任务。这是一个新颖的想法，使用光线通过多个板而不是电子衍射。对某些人来说，这可能看起来有点像用算盘替换计算机，但加州大学洛杉矶分校的研究人员对他们的古怪，闪亮，光速的人工神经网络寄予厚望。
Deep Learning是由Rina Dechter于1986年创造的，它是机器学习领域发展最快的方法之一，常用于面部，语音和音频识别，语言处理，社交网络过滤和医学图像分析以及更具体的解决方案。任务，例如解决逆成像问题。传统上，深度学习系统在计算机上实现，以学习数据表示和抽象并执行任务，与人类的表现相当或更好。
然而，由加州大学洛杉矶分校电气和计算机工程教授Aydogan Ozcan博士领导的团队并没有使用传统的计算机设备，放弃所有那些需要耗费能量的电子，转而使用光波。结果是其全光学衍射深度神经网络（D2NN）架构。
该设置使用3D打印的半透明薄片，每个薄片具有数千个凸起像素，这些薄片通过每个面板偏转光线以执行设定任务。顺便说一下，除了输入光束之外，这些任务是在不使用任何功率的情况下，以光速执行图像分析，特征检测和对象分类。该团队的研究人员还设想了D2NN架构在摄像机中执行专门任务的可能性。
使用逐层制造的无源元件，并通过光衍射将这些层相互连接，创造了一个独特的全光平台，以光速执行机器学习任务。但就目前而言，这是一个概念证明，但它为机器学习行业提供了一些独特的机会。
以上所述就是小编给大家介绍的《3D打印的深度学习神经网络使用光子而不是电子进行计算》，希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持！
猜你喜欢:
- 英特尔实现光子神经网络新突破，有效提升光子芯片效率
- MIT初创公司发布全球首个光子AI芯片原型！独立光学计算硬件，庞大系统成功集成至常规板卡丨独家专访
- 神经网络 – 序列预测LSTM神经网络落后
- 神经网络历史以及浅析神经网络与感知机
- 【神经网络】11行Python代码实现的神经网络
- 常见的五种神经网络（三）：循环神经网络（上篇）
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
用户力：需求驱动的产品、运营和商业模式
郝志中 / 机械工业出版社 / 2015-11-1 / 59.00
《用户力：需求驱动的产品、运营和商业模式》从用户需求角度深刻阐释了互联网产品设计、网络运营、商业模式构建的本质与方法论！ 本书以“用户需求”为主线，先用逆向思维进行倒推，从本质的角度分析了用户的需求是如何驱动企业的产品设计、网络运营和商业模式构建的，将这三个重要部分进行了系统性和结构化的串联，然后用顺向思维进行铺陈，从实践和方法论的角度总结了企业究竟应该如围绕用户的真实需求来进行产品设计、网......一起来看看 《用户力：需求驱动的产品、运营和商业模式》 这本书的介绍吧!
XML、JSON 在线转换
在线XML、JSON转换工具
XML 在线格式化
在线 XML 格式化压缩工具