到目前为止，人工智能可以分为两类：弱人工智能和强人工智能。前者使机器具有观察和感知的能力，并且具有一定程度的理解和推理能力。同时强大的人工智能功能使机器具有解决某些从未遇到过的问题的自适应能力。 “智能”在哪里？从哪里来？人工智能如何取得突破？让我们从实现人工智能机器学习的方法开始。与硬编码以解决特定任务的传统软件程序不同，机器学习使用大量数据来“训练”数据。并学习如何通过各种算法从数据中完成任务。这里有三个重要的信息：1.“机器学习”；是“模拟，扩展和扩展人类智能”的途径，并且是人工智能的子集； 2.“机器学习”。基于大量数据，这意味着它是“智能”。由大量数据提供； （敲黑板！这将在以后使用。）3.正是由于需要处理大量数据，因此大数据技术尤其重要，因此需要“机器学习”。只是大数据技术在Internet上的一种应用。尽管传统的机器学习算法在指纹识别，面部检测和其他领域中的应用已基本达到商业要求，但是很难“进一步”应用。直到深度学习算法的出现。深度学习是机器学习的子类别，并且是当前最热门的机器学习方法，但这并不意味着这是机器学习的终结。它受人脑工作方式的启发，是一个使用深度神经网络来解决特征表达的学习过程。深度神经网络本身并不是一个新概念，但可以理解为包含多个隐藏层的神经网络结构。机器学习和深度学习之间的维度差异是什么？机器学习是一种实现人工智能的方法，而深度学习是一种实现机器学习的技术。同心圆可以显示它们之间的关系。具体区别大致如下：1.数据依赖性。随着数据量的增加，两者的性能会有很大的不同。深度学习适合处理大数据，而当数据量相对较小时，传统的机器学习方法可能更合适。 2.硬件依赖性。深度学习在很大程度上依赖于高端硬件设施，因为计算量太大。它涉及很多矩阵运算，因此许多深度学习都需要GPU（专门为矩阵运算设计）来参与运算。 3.特征工程。简而言之，在训练模型时，您需要首先确定哪些功能。在机器学习方法中，几乎所有功能都需要在手动特征编码之前进行手动确认。深度学习试图从数据本身学习特征。 4.解决问题的方法。 （强调！）在解决问题时，机器学习通常将问题分为几部分，一一解决，然后重新组合。但是深度学习是一种一次性的端到端解决方案。 5.运行时间。深度学习需要大量时间来训练，因为要学习的参数太多了。机器学习通常可以在几秒钟到最多几小时的时间内进行训练。但是，通过深度学习训练的模型的优势在于，它可以在预测任务上非常快速地运行。这也是刚才提到的实时对象检测。添加“分布式”代理服务器后发生了什么情况？深度学习之前？面对越来越复杂的任务，数据和深度学习模型的规模越来越大。当训练数据词汇量增长到数千万时，如果不进行修剪，则深度学习模型可能具有数百亿甚至数千亿的参数。为了提高深度学习模型的训练效率，出现了分布式训练，即同时使用多个工作节点以分布式高效的方式训练性能优异的神经网络模型。当前，主要有两种并行/分布式训练方法：数据并行和模型并行。在数据并行化中，不同的机器具有相同模型的多个副本，并且将每台机器分配给一部分数据，然后以某种方式组合所有机器的计算结果。在模型并行化中，分布式系统的差异该机器负责单个网络模型的不同部分。例如，差异