借鉴认知AI在医疗保健领域的成功应用

崩溃循环

崩溃循环是指Pod启动，崩溃然后继续尝试重新启动但无法恢复的时间(它不断崩溃并以循环方式重新启动)。发生这种情况时，应用程序无法运行。这可能是由于Pod中的应用程序崩溃导致

的，也可能是由于Pod中的配置错误或部署过程导致的，这使得调试崩溃循环变得非常棘手。当发生崩溃循环时，需要立即知道，弄清正在发生的事情以及是否需要采取紧急措施，保持应用程

序可用。

CPU利用率

CPU利用率只是节点使用的CPU周期数。进行监控非常重要，其原因有两个。首先，你不希望耗尽应用程序的处理资源。如果应用程序受到CPU的限制，则需要增加CPU分配或向集群添加更多节
 

此外，该论文还研究了语言的哪些部分最重要（其实差不多都挺重要），以及 LSL 需要多少语言才能取得优于无语言模型的表现（其实只需一点点）。详情请参阅原论文。

展望未来

正如 NLP 系统理解和生成语言的能力在日益增长一样，机器学习系统基于语言学习解决其它高难度任务的潜力也在增长。SAIL 的这两篇论文表明，在视觉与 NLP 领域的多种不同类型任务上，通过学习语言解释，深度神经语言模型可成功提升泛化能力。

研究者指出，这是训练机器学习模型方面一个激动人心的新途径，而且强化学习等领域已经对一些类似的想法进行了探索。在他们的设想中，未来在解决机器学习任务时，我们无需再收集大量有标注数据集，而是可以通过人与人之间使用了成千上万年的互动方式——「语言」来与模型进行自然且富有表达力的交互。
 

在此基础上，为了使用语言，SAIL 提出一种名为语言塑造型学习（Language Shaped Learning/LSL）的方法：如果能在训练时使用语言解释，则可以促使模型学习不仅对分类有用的表征，而且该表征还能用于预测语言解释。SAIL 采用的具体方案是引入一个辅助训练目标（即与最终的目标任务无关），同时训练一个循环神经网络（RNN）解码器来预测对输入图像表征的语言解释。有一点至关重要，即这个解码器的训练过程取决于图像模型 f_θ 的参数，因此该过程应该能促使 f_θ 更好地编码语言中显现的特征和抽象。

从效果上看，可以说这是训练模型在训练期间表征概念时「把想法大声说出来」。在测试阶段，则可以直接抛弃 RNN 解码器，使用这个「经过语言塑造的」图像嵌入按常规方式执行分类即可。

研究者使用真实图像和人类语言，在上述 ShapeWorld 数据集以及更真实的 Birds 数据集上进行了测试：
 

针对一个视觉概念给定一个小型训练样本集，任务目标是确定留出集的测试图像是否表达了同样的概念。现在，如果假设能在训练时间获得相关视觉概念的语言解释，又会如何呢？我们能否使用它们来学习一个更好的模型，即便在测试时没有语言可用？

SAIL 的研究者将该任务放到了一个元学习任务框架中：他们没有在单个任务上训练和测试模型，而是选择了在一组任务上训练模型，其中每个任务都有一个小型训练集和配套的语言描述（元训练集 / meta-train set）。然后，他们在一组未见过任务组成的元测试集（meta-test set）上测试模型的泛化能力，并且该测试集没有可用的语言描述。

（编辑：衡水站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!