91视频免费网站,精品久久久久99水蜜桃,操少妇,国产探花系列ThePorn,国产第一草草影院,影音先锋AV网址,天天操天天草,欧美精品18videosex性欧美

來源：新智元

編輯：如願好困桃子

【新智元導讀】可能你都想不到，一位不是計算機專業(yè)的UP主竟在「我的世界」里搭建出世界首個紅石人工智能，就連圖靈獎得主LeCun轉發(fā)稱贊。

耗時半年，B站UP主終于在「我的世界」實現了首個紅石人工智能。

可以說，這是世界上第一個純紅石神經網絡。

不僅可以實現15×15手寫數字識別，最重要的是，準確率能夠達到80%！

目前，這個視頻已經有106萬播放量，收獲無數網友好評關注。

就連圖靈獎得主，LeNet架構提出者，Yann LeCun還在社交媒體上轉發(fā)了這個視頻。

首個「紅石人工智能」

紅石是我的世界中的一種獨特的材料。

它是傳遞紅石信號的主要元器件，開關、紅石火把和紅石塊等能對導線或物體提供類似電流的能量。

而紅石電路能夠為玩家建造起來可以用于控制或激活其他機械的結構。

電路本身既可以被設計為用于響應玩家的手動激活，也可以讓其自動工作——或是反復輸出信號，或是響應非玩家引發(fā)的變化。

因此，在我的世界中，能夠被紅石控制的機械類別幾乎覆蓋了你能夠想象到的極限。

小到最簡單的機械（如自動門與光開關），大到占地巨大的電梯、自動農場、小游戲平臺，甚至游戲內建的計算機。

也就是說，想要擴大在我的世界中可游玩的深度，對紅石電路的玩轉一定要了如指掌。

UP主@辰占鰲頭創(chuàng)建的世界首個紅石神經網絡就是個典例。

作者玩梗寫了一個摘要，提到

我們使用非傳統的計算方式——隨機計算來實現神經網絡，使得設計和布局上比傳統的全精度計算簡單許多，且單次理論識別時間僅為5分鐘。

就拿作者演示手寫的2、5來說吧，可以看出其識別程度和置信度直接拉滿。

在具體實現過程中，作者在視頻里展示了所包含的元素：

單個神經元：接受多個輸入，產生一個輸出

乘法器：僅使用隨機數和單個邏輯門運算小數乘法

神經元陣列：輸出識別結果或傳遞到下一層

各數字置信度；手寫板15×15

另外，作者介紹卷積層是用來提取筆畫特征。

全連接第一層：壓縮信息并分類；激活函數陣列：將數據非線性地映射到高維特征空間；全連接第二、三層：進一步分類并輸出識別結果。

不過，UP主提到，受限于Minecraft的運算能力，實際識別時間超過20分鐘。

盡管如此，這仍是紅石數電領域的重大突破，也可能啟發(fā)現實中的硬件神經網絡。

背后原理

從實際出發(fā)考慮，識別手寫數字的任務，僅使用深度神經網絡即可。

但是為了盡可能壓縮計算量和參數量，作者使用了經典的「LeNet-5」卷積神經網絡。

「LeNet-5」架構最初就是為了實現手寫數字識別而生。不過，為了進一步減小計算開銷，作者將網絡的5層結構分別設定成15×15→7×7→30→30→10。

權重也被相應的壓縮到[-1,1]。雖然這樣的做法會將識別率從90%降到50%，但是如果網絡的輸入還算規(guī)整，那么它依舊可以得到一個很不錯的識別率。

由于在Minecraft中實現反向傳播是不現實的，而且權重都是使用pytorch訓練好之后，再通過代碼編輯到文件中，隨后導入Minecraft。

由于權重也是隨機串，所以只要編輯隨機數生成裝置即可。

那么隨機數生成的原理又是什么呢？

其實就是因為投擲器投擲物品的隨機性，借此可以搭一個隨機數生成器。

例如，在這個視頻中：將兩個投擲器臉對臉放置，用比較器檢測其中的一個內容物。一個放入不可堆疊的物品（礦車），另一個放入可堆疊的物品（混凝土）。

設置礦車輸出2格信號強度，混凝土只輸出1格強度。再將一個偵測器對準一個投擲器，便可以隨機切換另一個偵測器里邊的物品，此時有50%的概率可以檢測到是礦車。

因此，會得到一個「0」、「1」各占一半的串。

通過調整可堆疊物品和不可堆疊物品的比例，可以產生分數概率的隨機數。將兩個隨機數生成器連接到同門上，便可計算二者的乘積。

經過簡單的優(yōu)化后，就可以得到一個2tick輸出一次的高效隨機數生成器。它將生成網絡權重。

隨后，激活函數會將神經網路中的輸入數據非線性地映射到高維度特征空間，然后再進行線性分割。

作者使用的「LeNet-5」架構自然也少不了應用激活函數進行非線性映射。

在該過程中，首先先使用卷積提取筆畫特征。

再將提取出來的特征放進全連接層進行分類。

上述過程中的每一層都使用了「非線性映射-線性分割」進行分類。

紅石神經網絡的宏觀流程：

映入眼簾的是輸入設備，它包括一個單脈沖式壓力板手寫板和15x15的坐標屏，手寫板每次產生2tick的坐標信號，然后由屏幕繪制手寫的數字。

對應到其微觀原理的實現，手寫的數字會先進入卷積層進行卷積運算，并將特征圖結果送入下一層。

為了保證網絡的非線性輸出，輸出結果前還會經過ReLU激活函數。

由于卷積核大小為3x3，所以可以直接使用模電運算，并且在輸出端自動實現非線性化，之后通過硬連線接到手寫板輸入上。

全連接層的每一層由若干個神經元構成，每個神經元的輸入和輸出是「多對一」的關系。神經元會將每個輸入加權求和實現「線性分割」，再經過激活函數進行「維度提升」。此處使用tanh作為激活函數。

在實際的神經元電路中，輸入部分為加權求和，輸出便是激活函數。

其中，每一層的權重參數（隨機串）會被存放在投擲器，然后輸入和權重相乘后再通過模電累加，

接下來，通過模電計算加法，而后轉為數電信號，全加器則改裝了2tick流水線加法器，堆疊神經元構成一個全連接層。

最后一層的輸出使用一個模電計數器，這個計數器的容量可以達到1024。

在輸出層，計數器的高四位會被連接到計數板上，電路隨后選取最大的值并顯示到輸出面板上。

一項震驚眼球的工程便得以實現！

最后，我們看一下網絡部署

首先使用PyTorch在「ImageNet」數據集上訓練，之后將權重部署到模擬器上調整網絡的參數，再將訓練好的參數填入.schem文件，隨后用小木斧將.schem文件粘貼至存檔，粘貼完成后，檢查權重是否正確部署，終極網絡版本結構，即15×15→7×7→30→30→10。

小彩蛋

視頻最后，作者投了一個小彩蛋。

在更新的1.19手寫板中，特意安裝了幽匿感測器，能夠偵測出聲音。

更好玩兒的是，可以直接往這個幽匿感測器觸摸屏扔雪球輸入圖像。

砰砰砰幾下，一個手寫非常潦草的6就出來了，識別置信度達到了75%。

Google Brain大佬

把視頻轉推的同學的原名叫Yingtao Tian，目前是位于日本東京谷歌大腦機構的一名科學家。

2019年，他在Steven Skiena教授指導下取得了石溪大學的計算機科學博士學位，曾在2014年拿到了復旦大學計算機科學與技術學士學位。

Yingtao Tian的研究興趣在生成模型和表示學習，以及它們在圖像生成、自然語言處理、知識庫建模、社交網絡建模、生物信息學等方面的應用。

他表示，最近自己特別關注創(chuàng)造力/人文研究和機器智能的跨學科研究。

除了up主，還有4位團隊成員一起完成了這個紅石神經網絡的構建。

在與小伙伴一同合作下，編寫1000+行代碼訓練和模擬紅石神經網絡，閱讀50+頁英文文獻。

網友熱評

看完真正的紅石人工智能后，網友調侃道，會紅石和會人工智能的都沉默了。

還有人稱Pytorch和TensorFlow都過時了！以后自己寫網絡就說用的是Minecraft庫。

網友還給其取了一個名，「紅石卷積神經網絡，簡稱RCNN」。

參考資料：

https://b23.tv/TGELQpU

https://twitter.com/ylecun/status/1543309427893309440?s=21&t=okc8RM9FJdzPgUHXQMLYrw

https://minecraft-archive.fandom.com/wiki/Redstone

https://www.bilibili.com/read/cv17165331

https://alantian.net

最后給大家分享我寫的SQL兩件套：《SQL基礎知識第二版》和《SQL高級知識第二版》的PDF電子版。里面有各個語法的解釋、大量的實例講解和批注等等，非常通俗易懂，方便大家跟著一起來實操。

有需要的讀者可以下載學習，在下面的公眾號「數據前線」(非本號)后臺回復關鍵字：SQL，就行
數據前線

后臺回復關鍵字：1024，獲取一份精心整理的技術干貨
后臺回復關鍵字：進群，帶你進入高手如云的交流群

推薦閱讀
經典SQL語句大全
SQL中常用的四個排序函數
SQL 常用函數
不懂就問：SQL 語句中 where 條件后 寫上1=1 是什么意思
推薦一個 SQL 學習刷題網站！

首個紅石AI引爆B站！UP主在我的世界搭建成功

【新智元導讀】可能你都想不到，一位不是計算機專業(yè)的UP主竟在「我的世界」里搭建出世界首個紅石人工智能，就連圖靈獎得主LeCun轉發(fā)稱贊。