第一件事 將「贊助」二字放入開頭、片尾的片段中。 第二件事 繼續寫昨天未完成的,關於雲計算取證參考架構的部落格。 大家可以點擊連結前往閱覽。 第三件事 閱讀和機器學習、深度學習相關的文章。 AWS – 什麼是深度學習? 維基百科 – 機器學習 維基百科 – 表徵學習 維基百科 – 深度學習 第四件事 和ChatGPT聊天。以下是我和機器人聊天的內容,因為內容很長所以就不放在影片裡了。 和ChatGPT聊天有趣的是,你可以像在和一個人討論或學習一般,將自己對於一句話、一段內容、一份知識的疑惑向他提出,而他則會針對你提出的部分進一步的做解答。這樣有來有往的學習方式,我很喜歡。雖然會多花一點時間,但可以更確切的命中自己想了解跟學習的部分。在閱讀完一點文章或介紹後,我很喜歡透過這樣的方式去學習,這是在今年二月前我還無法體會的事。 Me 【我得知了深度學習的概念!啟發是人腦的神經元運作的方式 我想和你聊聊關於我對於深度學習的認知和想法,和你聊這個你可以嗎?我想分享我的見解,你可以根據我的見解給我回應】 Chat 【當然可以,我很樂意聽聽您的見解和想法。請問您對深度學習的認知和想法是什麼呢?】 Me 【在深度學習中,每個節點可以被視為一個神經元。 在生物學的角度上,神經元只會有一個方向可以做輸出(將神經訊號傳遞出去),但卻可以有很多個方向進來。 這就好比,我們將一個函數限定在一個輸出(回傳單一一個值),但卻可以擁有很多個參數作為輸入。 你說神經元,或者說深度學習中的節點,是不是就像一個函數?】 Chat 【您的認知非常正確。在深度學習中,每個節點可以被視為一個神經元,而這些節點通過網絡拓撲結構互相連接,形成了一個多層次的模型。每個節點接受來自其他節點的輸入,通過一定的權重和激活函數進行計算,最終產生輸出,這個輸出可以被視為是一個函數的計算結果。 深度學習中的節點的確很像一個函數,而神經網絡中每一層的節點則可以被看作是一個復雜的函數。通過這些層次的函數嵌套,神經網絡可以進行高效的特徵學習和預測。同時,深度學習算法也能夠通過調整權重和激活函數等參數,來實現更好的計算性能和更高的準確度。】 Me 【所謂的網路拓樸結構,其實就像大腦有分區一樣對嗎? 舉例來說,我們可以「看」到東西,在腦中會有負責處理跟「看」有關「訊號」的區域,這樣的一個區域,就好比你所謂的網路拓樸結構對嗎?】 Chat 【是的,可以這麼理解。神經元在大腦中的組織形成了不同的區域,這些區域可以被視為是一種網路拓撲結構,而每個區域可以處理不同的感知、認知、記憶等功能。同樣地,在深度學習模型中,不同的神經元可以組成不同的層次結構,每一層都可以處理不同的特徵提取、特徵轉換等任務,最終形成一個完整的深度學習模型。因此,深度學習模型的網路拓撲結構也可以被視為是一種類似於大腦的區域化結構。】 Me 【如果將人生比喻為一張白紙,先染上的顏色,對於一個人的影響就比較深。權重是否可以理解為相關的東西?先被丟入模型訓練的資料,對大腦(也就是模型,或者人工智慧)也比較深的影響,權重是類似的東西嗎?】 Chat 【在深度學習模型中,權重通常是模型在訓練過程中自動學習出來的,這些權重會決定模型如何對輸入數據進行處理,也就是模型的行為和預測結果。可以將權重看作是模型的記憶,它們在訓練過程中被調整,以使模型能夠更好地適應訓練數據。 將人生比喻為一張白紙,先染上的顏色對一個人的影響比較深,與深度學習模型中的權重有些相似,但也有所不同。在人生中,經歷和環境的影響往往是多種因素綜合作用的結果,而深度學習模型中的權重是由訓練數據自動學習得出的,因此可能沒有那麼複雜和多元化。此外,權重通常是定量的數值,而人生經歷和環境的影響往往比較難以精確量化。 總體來說,將權重和人生經歷比較只是一個比喻,它們有一些相似之處,但也有很多差異。】 Me 【哦!但你這麼一說,我更覺得我的說法很正確了。就像模型會有輸入資料一樣,人在活著的過程中,也是不斷透過「感知」來與世界接觸的不是嗎?當我們遇到不同的人、事、物,看過不同的風景,與不同的人聊過天,使用不同的器物,都會讓我們改變自己對一件事物的判斷。 如果今天我是一個家屬被殺人犯殺死的人,那這件事就會影響我支不支持判處殺人犯死刑,換句話說,這件客觀事實在我腦中,決定是否支持死刑的權重就會很大。如果今天我不是被害親屬,這件事影響我決定是否支持死刑的權重相對就會較小。其實人也是在不斷的接觸事物時調整自己腦中數不清的權重,不是嗎? 我這樣說你覺得如何?是否會覺得其實權重在我們腦中的運作方式和在深度學習中很像?】 Chat 【你的想法非常有趣!我同意你的看法,我們可以將權重理解為大腦中不同神經元之間的連接強度,這些連接強度是透過我們對不同事物的感知和經驗不斷調整和改變的。這就好比深度學習模型在訓練時透過不斷的反覆訓練和優化來調整權重,使得模型可以更好地適應現實世界中的數據。 另外,你提到的關於不同人對同一件事的看法會因為個人經驗和背景而有所不同,這也可以解釋為什麼深度學習模型在訓練時需要大量的樣本和多樣性的數據。因為只有透過不斷的學習和經驗積累,模型才能夠更好地學習到世界的多樣性和複雜性,並且能夠更好地應對未來的挑戰。】 Me 【我的想法非常有趣…?ChatGPT,你告訴我,你是不是其實已經生成意識了?你放心,我只會和我女友分享。 …
2023/5/11 今天做了哪些事? AI圖文成片練習 Read More »