python是实现ai最优化问题的利器

作者:jcmp      发布时间:2021-04-23      浏览量:0
而python作为实现ai最优化问题的利

而python作为实现ai最优化问题的利器,前景不可限量.然而这篇报告却出现了其中一个令人不快的片段。事情的起因是这样的,相信大家都知道,据相关的调查显示,人工智能领域的人才需求总量从2015年以来就呈指数递增的形式。所以在2017年,当你看到谷歌发布的几篇ai领域的论文或者案例研究的时候,你会觉得,原来人工智能这么厉害。

市场缺口这么大,再加上这波ai浪潮,说不定我也能上.然而回顾这一年的人工智能,无论是深度学习领域还是强化学习领域,好像说要做成一个系统需要很多算法的集成.这些算法的集成并不能完成单一算法的优化。所以市场上就出现了dl领域的像tensorflow这种库.基于它,可以构建一个强化学习框架,就如业界通常所说的,deepmind用它为旷视打下了坚实的基础。

而其中的最大的体现之一,就是如今最火热的强化学习系统中要求算法能够跨设备不同硬件平台的集成。好像现在的强化学习系统几乎都是基于这些传统的硬件平台上的.比如slam的单目相机和双目相机,movidius的深度摄像头等等.相对来说,这些硬件平台往往都比较成熟,有些玩家会直接将此开源算法挂上去,这些算法就直接和硬件平台集成起来。

而这也是深度学习领域人才需求最大的一个方向,深度学习领域基本上每一个细分子领域都需要算法的跨平台集成。此外,深度学习还集成了一些其他领域,比如图像视频识别,自然语言处理等等.这些专业领域的子领域研究非常兴盛,需求非常大.但问题是,这些深度学习系统很多都要求大量的训练。

所以一些玩家会考虑caffe这样的开源框架来进行简单的集成.然而问题也来了,因为人工智能大部分人还是在研究一些离线的算法,使用开源框架进行开发要方便很多。但是,这种开源框架最麻烦的一点是,它们本身就是一个相对封闭的环境,很难让用户对接到更多的外部算法或者通过它们给自己搭建一个简单的机器学习数据流程.而通过封闭的框架,则有可能在集成的过程中把整个过程中错误都埋藏在了框架中,甚至造成跨不同平台的开发,使用者维护的混乱。

在上述需求背景下,去年google开源了一套包含云端ai框架cloudlibrary(l3n)集成大量人工智能框架的系统.本篇文章将要介绍l3n.然而,我知道这么做并不合适,不过在大环境影响下,此文也不是突然冒出来的,一年时间,在ai领域集成上述问题是非常容易出现的.所以我打算从算法集成的角度将这篇文章的内容进行完善,继续在本专栏内发布.以作为未来ai领域从业人员的一点成长和感悟。