联系我们
- 地 址:北京市海淀区北四环西路9号 ,主 营:人脸识别,活体检测,身份证识别,银行卡识别,名片识别,车牌识别,OCR识别等及智能识别技术。
- 电 话:13146317170 廖经理
- 传 真:
- 邮 箱:398017534@qq.com
知识图谱与深度学习
知识图谱与深度学习
大数据时期的到来,为人工智能的飞速开展带来史无前例的数据红利。在大数据的“喂养”下,人工智能技术取得了史无前例的长足进步。其停顿突出表现在以学问图谱为代表的学问工程以及深度学习为代表的机器学习等相关范畴。随着深度学习关于大数据的红利耗费殆尽,深度学习模型效果的天花板日益逼近。另一方面大量学问图谱不时涌现,这些包含人类大量先验学问的宝库却尚未被深度学习有效应用。交融学问图谱与深度学习,已然成为进一步提升深度学习模型效果的重要思绪之一。以学问图谱为代表的符号主义、以深度学习为代表的联合主义,日益脱离原先各自独立开展的轨道,走上协同并进的新道路。
学问图谱与深度学习交融的历史背景
大数据为机器学习,特别是深度学习带来史无前例的数据红利。得益于大范围标注数据,深度神经网络可以习得有效的层次化特征表示,从而在图像辨认等范畴获得优良效果。但是随着数据红利消逝殆尽,深度学习也日益表现出其局限性,特别表现在依赖大范围标注数据和难以有效应用先验学问等方面。这些局限性障碍了深度学习的进一步开展。另一方面在深度学习的大量理论中,人们越来越多地发现深度学习模型的结果常常与人的先验学问或者专家学问相抵触。如何让深度学习摆脱关于大范围样本的依赖?如何让深度学习模型有效应用大量存在的先验学问?如何让深度学习模型的结果与先验学问分歧已成为了当前深度学习范畴的重要问题。
当前,人类社会业已积聚大量学问。特别是,近几年在学问图谱技术的推进下,关于机器友好的各类在线学问图谱大量涌现。学问图谱实质上是一种语义网络,表达了各类实体、概念及其之间的语义关系。相关于传统学问表示方式(诸如本体、传统语义网络),学问图谱具有实体/概念掩盖率高、语义关系多样、构造友好(通常表示为RDF格式)以及质量较高等优势,从而使得学问图谱日益成为大数据时期和人工智能时期最为主要的学问表示方式。能否应用包含于学问图谱中的学问指导深度神经网络模型的学习从而提升模型的性能,成为了深度学习模型研讨的重要问题之一。
现阶段将深度学习技术应用于学问图谱的办法较为直接。大量的深度学习模型能够有效完成端到端的实体辨认、关系抽取和关系补全等任务,进而能够用来构建或丰厚学问图谱。本文主要讨论学问图谱在深度学习模型中的应用。从当前的文献来看,主要有两种方式。一是将学问图谱中的语义信息输入到深度学习模型中;将离散化学问图谱表达为连续化的向量,从而使得学问图谱的先验学问可以成为深度学习的输入。二是应用学问作为优化目的的约束,指导深度学习模型的学习;通常是将学问图谱中学问表达为优化目的的后验正则项。前者的研讨工作已有不少文献,并成为当前研讨热点。学问图谱向量表示作为重要的特征在问答以及引荐等实践任务中得到有效应用。后者的研讨才刚刚起步,本文将重点引见以一阶谓词逻辑作为约束的深度学习模型。
学问图谱作为深度学习的输入
学问图谱是人工智能符号主义近期停顿的典型代表。学问图谱中的实体、概念以及关系均采用了离散的、显式的符号化表示。而这些离散的符号化表示难以直接应用于基于连续数值表示的神经网络。为了让神经网络有效应用学问图谱中的符号化学问,研讨人员提出了大量的学问图谱的表示学习办法。学问图谱的表示学习旨在习得学问图谱的组成元素(节点与边)的实值向量化表示。这些连续的向量化表示能够作为神经网络的输入,从而使得神经网络模型可以充沛应用学问图谱中大量存在的先验学问。这一趋向催生了关于学问图谱的表示学习的大量研讨。本章首先扼要回忆学问图谱的表示学习,再进一步引见这些向量表示如何应用到基于深度学习模型的各类实践任务中,特别是问答与引荐等实践应用。
1.学问图谱的表示学习
学问图谱的表示学习旨在学习实体和关系的向量化表示,其关键是合理定义学问图谱中关于事实(三元组< h,r,t >)的损失函数 ƒr(h,t),其中和是三元组的两个实体h和t的向量化表示。通常状况下,当事实 < h,r,t > 成立时,希冀最小化 ƒr(h,t)。思索整个学问图谱的事实,则可经过最小化图片描绘来学习实体以及关系的向量化表示,其中 O 表示学问图谱中一切事实的汇合。不同的表示学习能够运用不同的准绳和办法定义相应的损失函数。这里以基于间隔和翻译的模型引见学问图谱表示的根本思绪[1]。
基于间隔的模型。其代表性工作是 SE 模型[2]。根本思想是当两个实体属于同一个三元组 < h,r,t > 时,它们的向量表示在投影后的空间中也应该彼此靠近。因而,损失函数定义为向量投影后的间隔图片描绘其中矩阵 Wr,1 和 Wr,2 用于三元组中头实体 h 和尾实体 t 的投影操作。但由于 SE 引入了两个单独的投影矩阵,招致很难捕获实体和关系之间的语义相关性。Socher 等人针对这一问题采用三阶张量替代传统神经网络中的线性变换层来描写评分函数。Bordes 等人提出能量匹配模型,经过引入多个矩阵的 Hadamard 乘积来捕获实体向量和关系向量的交互关系。
基于翻译的表示学习。其代表性工作 TransE 模型经过向量空间的向量翻译来描写实体与关系之间的相关性[3]。该模型假定,若 < h,r,t > 成立则尾部实体 t 的嵌入表示应该接近头部实体 h 加上关系向量 r 的嵌入表示,即 h+r≈t。因而,TransE 采用图片描绘作为评分函数。当三元组成立时,得分较低,反之得分较高。TransE 在处置简单的 1-1 关系(即关系两端衔接的实体数比率为 1:1)时是十分有效的,但在处置 N-1、1-N 以及 N-N 的复杂关系时性能则显著降低。针对这些复杂关系,Wang 提出了 TransH 模型经过将实体投影到关系所在超平面,从而习得实体在不同关系下的不同表示。Lin 提出了 TransR 模型经过投影矩阵将实体投影到关系子空间,从而习得不同关系下的不同实体表示。
除了上述两类典型学问图谱表示学习模型之外,还有大量的其他表示学习模型。比方,Sutskever 等人运用张量因式合成和贝叶斯聚类来学习关系构造。Ranzato 等人引入了一个三路的限制玻尔兹曼机来学习学问图谱的向量化表示,并经过一个张量加以参数化。
当前主流的学问图谱表示学习办法仍存在各种各样的问题,比方不能较好描写实体与关系之间的语义相关性、无法较益处理复杂关系的表示学习、模型由于引入大量参数招致过于复杂,以及计算效率较低难以扩展到大范围学问图谱上等等。为了更好地为机器学习或深度学习提供先验学问,学问图谱的表示学习仍是一项任重道远的研讨课题。
学问图谱向量化表示的应用
应用 1 问答系统。自然言语问答是人机交互的重要方式。深度学习使得基于问答语料的生成式问答成为可能。但是目前大多数深度问答模型依然难以应用大量的学问完成精确答复。Yin 等人针对简单事实类问题,提出了一种基于 encoder-decoder 框架,可以充沛应用学问图谱中学问的深度学习问答模型[4]。在深度神经网络中,一个问题的语义常常被表示为一个向量。具有类似向量的问题被以为是具有类似语义。这是联合主义的典型方式。另一方面,学问图谱的学问表示是离散的,即学问与学问之间并没有一个突变的关系。这是符号主义的典型方式。经过将学问图谱向量化,能够将问题与三元组停止匹配(也即计算其向量类似度),从而为某个特定问题找到来自学问库的最佳三元组匹配。匹配过程如图 1 所示。关于问题 Q:“How tallis Yao Ming?”,首先将问题中的单词表示为向量数组 HQ。进一步寻觅能与之匹配的学问图谱中的候选三元组。最后为这些候选三元组,分别计算问题与不同属性的语义类似度。其由以下类似度公式决议:图片描绘这里,S(Q,τ) 表示问题Q 与候选三元组τ 的类似度;xQ 表示问题的向量( 从HQ计算而得),uτ 表示学问图谱的三元组的向量,M是待学习参数。
图片描绘
图1 基于学问图谱的神经生成问答模型
应用 2 引荐系统。个性化引荐系统是互联网各大社交媒体和电商网站的重要智能效劳之一。随着学问图谱的应用日益普遍,大量研讨工作认识到学问图谱中的学问能够用来完善基于内容的引荐系统中对用户和项目的内容(特征)描绘,从而提升引荐效果。另一方面,基于深度学习的引荐算法在引荐效果上日益优于基于协同过滤的传统引荐模型[5]。但是,将学问图谱集成到深度学习的框架中的个性化引荐的研讨工作,还较为少见。Zhang 等人做出了这样的尝试。作者充沛应用了却构化学问(学问图谱)、文本学问和可视化学问(图片)[6]等三类典型学问。作者分别经过网络嵌入(network embedding)取得构造化学问的向量化表示,然后分别用SDAE(Stacked Denoising Auto-Encoder)和层叠卷积自编码器(stackedconvolution-autoencoder)抽取文本学问特征和图片学问特征;并最终将三类特征交融进协同集成学习框架,应用三类学问特征的整合来完成个性化引荐。作者针对电影和图书数据集停止实验,证明了这种交融深度学习和学问图谱的引荐算法具有较好性能。
学问图谱作为深度学习的约束
Hu 等人提出了一种将一阶谓词逻辑交融进深度神经网络的模型,并将其胜利用于处理情感分类和命名实体辨认等问题[7]。逻辑规则是一种对高阶认知和构造化学问的灵敏表示方式,也是一种典型的学问表示方式。将各类人们已积聚的逻辑规则引入到深度神经网络中,应用人类企图和范畴学问对神经网络模型停止引导具有非常重要的意义。其他一些研讨工作则尝试将逻辑规则引入到概率图模型,这类工作的代表是马尔科夫逻辑网络[8],但是鲜有工作能将逻辑规则引入到深度神经网络中。
Hu 等人所提出的计划框架能够概括为“teacher-student network”,如图 2 所示,包括两个局部 teacher network q(y|x) 和 student network pθ(y|x)。其中 teacher network 担任将逻辑规则所代表的学问建模,student network 应用反向传播办法加上teacher network的约束,完成对逻辑规则的学习。这个框架可以为大局部以深度神经网络为模型的任务引入逻辑规则,包括情感剖析、命名实体辨认等。经过引入逻辑规则,在深度神经网络模型的根底上完成效果提升。
图片描绘
图2 将逻辑规则引入到深度神经网络的“teacher-student network”模型
其学习过程主要包括如下步骤:
应用 soft logic 将逻辑规则表达为 [0, 1] 之间的连续数值。
基于后验正则化(posterior regularization)办法,应用逻辑规则对 teacher network 停止限制,同时保证 teacher network 和 student network 尽量接近。最终优化函数为:
图片描绘
其中,ξl,gl是松弛变量,L 是规则个数,Gl 是第 l 个规则的 grounding 数。KL 函数(Kullback-Leibler Divergence)局部保证 teacher network 和student network 习得模型尽可能分歧。后面的正则项表达了来自逻辑规则的约束。
对 student network 停止锻炼,保证 teacher network 的预测结果和 student network 的预测结果都尽量地好,优化函数如下:
图片描绘
其中,t 是锻炼轮次,l 是不同任务中的损失函数(如在分类问题中,l 是穿插熵),σθ 是预测函数,sn(t) 是 teacher network 的预测结果。
反复 1~3 过程直到收敛。
完毕语
随着深度学习研讨的进一步深化,如何有效应用大量存在的先验学问,进而降低模型关于大范围标注样本的依赖,逐步成为主流的研讨方向之一。学问图谱的表示学习为这一方向的探究奠定了必要的根底。近期呈现的将学问交融进深度神经网络模型的一些创始性工作也颇具启示性。但总体而言,当前的深度学习模型运用先验学问的手腕依然非常有限,学术界在这一方向的探究上依然面临宏大的应战。这些应战主要表现在两个方面:
如何获取各类学问的高质量连续化表示。当前学问图谱的表示学习,不论是基于怎样的学习准绳,都不可防止地产生语义损失。符号化的学问一旦向量化后,大量的语义信息被丢弃,只能表达非常含糊的语义类似关系。如何为学问图谱习得高质量的连续化表示依然是个开放问题。
如何在深度学习模型中交融常识学问。大量的实践任务(诸如对话、问答、阅读了解等等)需求机器了解常识。常识学问的稀缺严重障碍了通用人工智能的开展。如何将常识引入到深度学习模型将是将来人工智能研讨范畴的严重应战,同时也是严重机遇。
学问图谱与深度学习交融的历史背景
大数据为机器学习,特别是深度学习带来史无前例的数据红利。得益于大范围标注数据,深度神经网络可以习得有效的层次化特征表示,从而在图像辨认等范畴获得优良效果。但是随着数据红利消逝殆尽,深度学习也日益表现出其局限性,特别表现在依赖大范围标注数据和难以有效应用先验学问等方面。这些局限性障碍了深度学习的进一步开展。另一方面在深度学习的大量理论中,人们越来越多地发现深度学习模型的结果常常与人的先验学问或者专家学问相抵触。如何让深度学习摆脱关于大范围样本的依赖?如何让深度学习模型有效应用大量存在的先验学问?如何让深度学习模型的结果与先验学问分歧已成为了当前深度学习范畴的重要问题。
当前,人类社会业已积聚大量学问。特别是,近几年在学问图谱技术的推进下,关于机器友好的各类在线学问图谱大量涌现。学问图谱实质上是一种语义网络,表达了各类实体、概念及其之间的语义关系。相关于传统学问表示方式(诸如本体、传统语义网络),学问图谱具有实体/概念掩盖率高、语义关系多样、构造友好(通常表示为RDF格式)以及质量较高等优势,从而使得学问图谱日益成为大数据时期和人工智能时期最为主要的学问表示方式。能否应用包含于学问图谱中的学问指导深度神经网络模型的学习从而提升模型的性能,成为了深度学习模型研讨的重要问题之一。
现阶段将深度学习技术应用于学问图谱的办法较为直接。大量的深度学习模型能够有效完成端到端的实体辨认、关系抽取和关系补全等任务,进而能够用来构建或丰厚学问图谱。本文主要讨论学问图谱在深度学习模型中的应用。从当前的文献来看,主要有两种方式。一是将学问图谱中的语义信息输入到深度学习模型中;将离散化学问图谱表达为连续化的向量,从而使得学问图谱的先验学问可以成为深度学习的输入。二是应用学问作为优化目的的约束,指导深度学习模型的学习;通常是将学问图谱中学问表达为优化目的的后验正则项。前者的研讨工作已有不少文献,并成为当前研讨热点。学问图谱向量表示作为重要的特征在问答以及引荐等实践任务中得到有效应用。后者的研讨才刚刚起步,本文将重点引见以一阶谓词逻辑作为约束的深度学习模型。
学问图谱作为深度学习的输入
学问图谱是人工智能符号主义近期停顿的典型代表。学问图谱中的实体、概念以及关系均采用了离散的、显式的符号化表示。而这些离散的符号化表示难以直接应用于基于连续数值表示的神经网络。为了让神经网络有效应用学问图谱中的符号化学问,研讨人员提出了大量的学问图谱的表示学习办法。学问图谱的表示学习旨在习得学问图谱的组成元素(节点与边)的实值向量化表示。这些连续的向量化表示能够作为神经网络的输入,从而使得神经网络模型可以充沛应用学问图谱中大量存在的先验学问。这一趋向催生了关于学问图谱的表示学习的大量研讨。本章首先扼要回忆学问图谱的表示学习,再进一步引见这些向量表示如何应用到基于深度学习模型的各类实践任务中,特别是问答与引荐等实践应用。
1.学问图谱的表示学习
学问图谱的表示学习旨在学习实体和关系的向量化表示,其关键是合理定义学问图谱中关于事实(三元组< h,r,t >)的损失函数 ƒr(h,t),其中和是三元组的两个实体h和t的向量化表示。通常状况下,当事实 < h,r,t > 成立时,希冀最小化 ƒr(h,t)。思索整个学问图谱的事实,则可经过最小化图片描绘来学习实体以及关系的向量化表示,其中 O 表示学问图谱中一切事实的汇合。不同的表示学习能够运用不同的准绳和办法定义相应的损失函数。这里以基于间隔和翻译的模型引见学问图谱表示的根本思绪[1]。
基于间隔的模型。其代表性工作是 SE 模型[2]。根本思想是当两个实体属于同一个三元组 < h,r,t > 时,它们的向量表示在投影后的空间中也应该彼此靠近。因而,损失函数定义为向量投影后的间隔图片描绘其中矩阵 Wr,1 和 Wr,2 用于三元组中头实体 h 和尾实体 t 的投影操作。但由于 SE 引入了两个单独的投影矩阵,招致很难捕获实体和关系之间的语义相关性。Socher 等人针对这一问题采用三阶张量替代传统神经网络中的线性变换层来描写评分函数。Bordes 等人提出能量匹配模型,经过引入多个矩阵的 Hadamard 乘积来捕获实体向量和关系向量的交互关系。
基于翻译的表示学习。其代表性工作 TransE 模型经过向量空间的向量翻译来描写实体与关系之间的相关性[3]。该模型假定,若 < h,r,t > 成立则尾部实体 t 的嵌入表示应该接近头部实体 h 加上关系向量 r 的嵌入表示,即 h+r≈t。因而,TransE 采用图片描绘作为评分函数。当三元组成立时,得分较低,反之得分较高。TransE 在处置简单的 1-1 关系(即关系两端衔接的实体数比率为 1:1)时是十分有效的,但在处置 N-1、1-N 以及 N-N 的复杂关系时性能则显著降低。针对这些复杂关系,Wang 提出了 TransH 模型经过将实体投影到关系所在超平面,从而习得实体在不同关系下的不同表示。Lin 提出了 TransR 模型经过投影矩阵将实体投影到关系子空间,从而习得不同关系下的不同实体表示。
除了上述两类典型学问图谱表示学习模型之外,还有大量的其他表示学习模型。比方,Sutskever 等人运用张量因式合成和贝叶斯聚类来学习关系构造。Ranzato 等人引入了一个三路的限制玻尔兹曼机来学习学问图谱的向量化表示,并经过一个张量加以参数化。
当前主流的学问图谱表示学习办法仍存在各种各样的问题,比方不能较好描写实体与关系之间的语义相关性、无法较益处理复杂关系的表示学习、模型由于引入大量参数招致过于复杂,以及计算效率较低难以扩展到大范围学问图谱上等等。为了更好地为机器学习或深度学习提供先验学问,学问图谱的表示学习仍是一项任重道远的研讨课题。
学问图谱向量化表示的应用
应用 1 问答系统。自然言语问答是人机交互的重要方式。深度学习使得基于问答语料的生成式问答成为可能。但是目前大多数深度问答模型依然难以应用大量的学问完成精确答复。Yin 等人针对简单事实类问题,提出了一种基于 encoder-decoder 框架,可以充沛应用学问图谱中学问的深度学习问答模型[4]。在深度神经网络中,一个问题的语义常常被表示为一个向量。具有类似向量的问题被以为是具有类似语义。这是联合主义的典型方式。另一方面,学问图谱的学问表示是离散的,即学问与学问之间并没有一个突变的关系。这是符号主义的典型方式。经过将学问图谱向量化,能够将问题与三元组停止匹配(也即计算其向量类似度),从而为某个特定问题找到来自学问库的最佳三元组匹配。匹配过程如图 1 所示。关于问题 Q:“How tallis Yao Ming?”,首先将问题中的单词表示为向量数组 HQ。进一步寻觅能与之匹配的学问图谱中的候选三元组。最后为这些候选三元组,分别计算问题与不同属性的语义类似度。其由以下类似度公式决议:图片描绘这里,S(Q,τ) 表示问题Q 与候选三元组τ 的类似度;xQ 表示问题的向量( 从HQ计算而得),uτ 表示学问图谱的三元组的向量,M是待学习参数。
图片描绘
图1 基于学问图谱的神经生成问答模型
应用 2 引荐系统。个性化引荐系统是互联网各大社交媒体和电商网站的重要智能效劳之一。随着学问图谱的应用日益普遍,大量研讨工作认识到学问图谱中的学问能够用来完善基于内容的引荐系统中对用户和项目的内容(特征)描绘,从而提升引荐效果。另一方面,基于深度学习的引荐算法在引荐效果上日益优于基于协同过滤的传统引荐模型[5]。但是,将学问图谱集成到深度学习的框架中的个性化引荐的研讨工作,还较为少见。Zhang 等人做出了这样的尝试。作者充沛应用了却构化学问(学问图谱)、文本学问和可视化学问(图片)[6]等三类典型学问。作者分别经过网络嵌入(network embedding)取得构造化学问的向量化表示,然后分别用SDAE(Stacked Denoising Auto-Encoder)和层叠卷积自编码器(stackedconvolution-autoencoder)抽取文本学问特征和图片学问特征;并最终将三类特征交融进协同集成学习框架,应用三类学问特征的整合来完成个性化引荐。作者针对电影和图书数据集停止实验,证明了这种交融深度学习和学问图谱的引荐算法具有较好性能。
学问图谱作为深度学习的约束
Hu 等人提出了一种将一阶谓词逻辑交融进深度神经网络的模型,并将其胜利用于处理情感分类和命名实体辨认等问题[7]。逻辑规则是一种对高阶认知和构造化学问的灵敏表示方式,也是一种典型的学问表示方式。将各类人们已积聚的逻辑规则引入到深度神经网络中,应用人类企图和范畴学问对神经网络模型停止引导具有非常重要的意义。其他一些研讨工作则尝试将逻辑规则引入到概率图模型,这类工作的代表是马尔科夫逻辑网络[8],但是鲜有工作能将逻辑规则引入到深度神经网络中。
Hu 等人所提出的计划框架能够概括为“teacher-student network”,如图 2 所示,包括两个局部 teacher network q(y|x) 和 student network pθ(y|x)。其中 teacher network 担任将逻辑规则所代表的学问建模,student network 应用反向传播办法加上teacher network的约束,完成对逻辑规则的学习。这个框架可以为大局部以深度神经网络为模型的任务引入逻辑规则,包括情感剖析、命名实体辨认等。经过引入逻辑规则,在深度神经网络模型的根底上完成效果提升。
图片描绘
图2 将逻辑规则引入到深度神经网络的“teacher-student network”模型
其学习过程主要包括如下步骤:
应用 soft logic 将逻辑规则表达为 [0, 1] 之间的连续数值。
基于后验正则化(posterior regularization)办法,应用逻辑规则对 teacher network 停止限制,同时保证 teacher network 和 student network 尽量接近。最终优化函数为:
图片描绘
其中,ξl,gl是松弛变量,L 是规则个数,Gl 是第 l 个规则的 grounding 数。KL 函数(Kullback-Leibler Divergence)局部保证 teacher network 和student network 习得模型尽可能分歧。后面的正则项表达了来自逻辑规则的约束。
对 student network 停止锻炼,保证 teacher network 的预测结果和 student network 的预测结果都尽量地好,优化函数如下:
图片描绘
其中,t 是锻炼轮次,l 是不同任务中的损失函数(如在分类问题中,l 是穿插熵),σθ 是预测函数,sn(t) 是 teacher network 的预测结果。
反复 1~3 过程直到收敛。
完毕语
随着深度学习研讨的进一步深化,如何有效应用大量存在的先验学问,进而降低模型关于大范围标注样本的依赖,逐步成为主流的研讨方向之一。学问图谱的表示学习为这一方向的探究奠定了必要的根底。近期呈现的将学问交融进深度神经网络模型的一些创始性工作也颇具启示性。但总体而言,当前的深度学习模型运用先验学问的手腕依然非常有限,学术界在这一方向的探究上依然面临宏大的应战。这些应战主要表现在两个方面:
如何获取各类学问的高质量连续化表示。当前学问图谱的表示学习,不论是基于怎样的学习准绳,都不可防止地产生语义损失。符号化的学问一旦向量化后,大量的语义信息被丢弃,只能表达非常含糊的语义类似关系。如何为学问图谱习得高质量的连续化表示依然是个开放问题。
如何在深度学习模型中交融常识学问。大量的实践任务(诸如对话、问答、阅读了解等等)需求机器了解常识。常识学问的稀缺严重障碍了通用人工智能的开展。如何将常识引入到深度学习模型将是将来人工智能研讨范畴的严重应战,同时也是严重机遇。
上一条:人脸识别中人脸检测Cascade CNN
下一条:AI人工智能基础算法之感知器