金蝶利用深度学习算法,为社会发展贡献出自己的力量!

2022年09月21日 04:31:31

近年来,随着金蝶在专业领域的深耕,同时也在深度学习算法应用中不断完善,尤其是企业当需要对网络细节做了一些改进的时候,难免需要深度学习算法配合来展示亮点。

据了解,深度学习算法分两个阶段,首先是网络训练:设计神经网络模型,使用服务器或者具有外部图形处理单元或GPU的PC上通过大型数据集离线训练以调整模型参数,通常在PC上使用Caffe 、TensorFlow等框架完成。

然后是模型部署:采用包含参数的预训练模型,对输入的数据预测输出结果,可以用TIDL转换工具将开源框架得到的网络和参数转换成TIDL支持的bin文件。

目前,深度算法学习与机器学习关系很密切。过去十年里,人们对机器学习的兴趣经历了爆炸式的增长。几乎每天都可以在计算机程序、行业会议和媒体上看到机器学习的身影。很多关于机器学习的讨论都混淆了“机器学习能做什么”和“人类希望机器学习能做什么”。从根本上讲,机器学习是运用算法从原始数据中提取信息,并用某种类型的模型进行表示,然后使用该模型对一些尚未用模型表示的其他数据来进行推断。

其实神经网络就是机器学习各类模型中的其中一类,并且已经存在了至少50年。神经网络的基本单位是节点,它的想法大致来源于哺乳动物大脑中的生物神经元。生物大脑中的神经元节点之间的链接是随着时间推移不断演化的,而神经网络中的神经元节点链接也借鉴了这一点,会不断演化(通过“训练”的方式)。

据了解,神经网络中很多重要框架的建立和改进都完成于二十世纪八十年代中期和九十年代初期。然而,要想获得较好结果需要大量的时间和数据,由于当时计算机的能力有限,神经网络的发展受到了一定的阻碍,人们的关注度也随之下降。

在这种情况下,深度学习以一个竞争者的姿态出现,在计算能力爆炸式增长的十年里脱颖而出,并且赢得了许多重要的机器学习竞赛。其热度在今年仍然不减。如今,在机器学习出现的地方,我们都能看到深度学习算法的身影。其两者都能为企业带去力量,加快社会的发展。

金蝶旗下深度学习算法技术已经被证明在计算机视觉、语音识别、文本分类和计算生物学等领域的有监督学习任务中能提升神经网络的性能,并在多个基准数据集中达到最优秀的效果。相信未来也可以在专业领域不断进步,带来更多智能化的产品,推动社会的发展。