孪生弥合了深度学习的数据鸿沟

在半导体制造中，深度学习已经应用于产品缺陷分类等领域。大多数领先的公司都争先恐后地在这个充满希望的新竞争环境中获得优势。

随着企业开始探索深度学习及其如何为他们提供帮助，许多企业发现了两点：第一，获得深度学习原型很容易;其次，从“好的原型”到“生产质量”的结果很难。

如今，有了所有从低成本到免费的深度学习平台、工具和套件，与常规应用程序开发相比，深度学习应用的初始开发非常快速且相对容易。但是，产品化深度学习应用并不比产品化传统应用更容易，甚至更难。

原因在于数据。在没有提供生产质量结果的深度学习应用和彻底改变您解决特定问题方式的深度学习应用之间，通常有足够的数据以及足够的正确类型的数据。

深度学习的数据缺口

深度学习基于模式匹配，它是通过向神经网络呈现表示要匹配的目标的数据来进行“编程”的。大量数据训练网络以识别目标(并知道何时不是目标)。

深度学习具有强大的功能，可快速生成原型并提供概念验证。但是深度学习的真正优势不是开发速度。这是事实，它释放了数据的力量来做其他任何方式都做不到的事情。

任何深度学习应用的成功都取决于训练中使用的数据集的深度和广度。如果训练数据集太小、太狭窄或太“正常”，那么深度学习方法将不会比标准技术做得更好。实际上，它可能会做得更差。重要的是，用足够多的数据来训练网络，以表示所有重要状态或演示的数据，以使网络学会掌握当前问题的正确本质。

对于某些领域(例如自动驾驶或半导体制造)而言，困难之处在于(非常幸运地)很少发生某些最严重的异常情况。但是，如果您想让深度学习应用识别出在汽车前面跑来跑去的孩子(或致命的光罩错误)，则必须使用大量这些情况来训练网络，而在实际情况是现实世界中并没有太多这些数据。而数字孪生是创建足够的异常数据以正确训练网络识别这些条件的唯一方法。

（编辑：怀化站长网）

【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!