FPGA机器学习之学习的方向

经过了2个月对机器学习的了解后，我发现了，机器学习的方向多种多样。网页排序，语音识别，图像识别，推荐系统等。算法也多种多样。看见其他的书后，我发现除了讲到的k均值聚类，贝叶斯，神经网络，在线学习等等，还有很多其他的算法。比如说：免疫算法，遗传算法，主成分分析，蚁群算法等等。好像很多算法都是需要做很多的研究才能用的很好的。据说深度学习是由神经网络升级来的。神经网络本身就是一本书，内容很多。龙星计划里面也涉及到多种算法的应用。是要跟着追火爆的算法去学习，还是找最新的机器学习算法呢？？

        最近比较火的是deep learning。资料多些，学习的人多一些。还是比较生僻的免疫算法，蚁群算法呢？？？从性能角度上讲，deep learning性能很好，可是免疫算法可能发展后未来2年可以性能更好。在这种情况下，学什么比较好呢？？我认为，如果你有高深的数学功底，很好的思维，还有很多的有创造性的朋友的话，我给的建议是去发展新的算法，像免疫算法类的。当然如果能创造一个蜜蜂建窝算法就更好了。估计很多人都没有这个条件，那我们就做一个跟随者好了。就去选择目前比较热门的deep learning算法。找一个deep learning应用的场合和公司，应该也很好。

        我可能还有些不一样的我感觉我能做到的人工智能，不想去说机器人打败人类，还有很多像科幻片里面的机器人一样的状态，我没那个本事。我想做的事情很简单，让机器的眼睛看懂普通事物，做一些简单的事情就可以了。所以我主要的方向就是，机器视觉。那我计划如何一步一步向前走呢？或者说我要学习哪些东西呢？

         我目前的内容都是关于图像处理的，其实图像处理就是模式识别最前端的处理工作，让图像的特征更好的体现出来。接下来就是模式识别，这里只能用狭义的理解了。就是特征提取，其实已经进入机器学习范围，最后就是机器学习，可以统一认知。这里面很多都设计到一个FPGA处理芯片的的事（这个待会在说）。换个角度说明我要学习的内容，图像处理，比如对比度，图像矫正，边界扫描等。机器学习呢，就是从众多的学习算法里面，在图像上应用比较良好的，比如说，深度学习和主成分分析，（对其他的有些了解就可以了。应用上和简单算法上）。机器学习有时候也可以做到图像处理的内容，比如说，聚类就可以进行图像的分割。但是为什么还要去时而学习图像处理的技术呢？？想法是这样的，机器学习是自动提取特征的过程，像决策树可能你就知道它的分类过程，提取特征的过程，可是很多时候是不知道，可是图像处理则是人为的提供，分离，某些特殊的特征。可能能减少机器学习的难度等（纯粹的猜想，还有对机器学习的不了解）。

         对于FPGA的想法呢？？？主要考虑的是计算速度，目前FPGA的计算速度是最好的了，比如说：无人机灾区救援，飞行的速度，摄像头的像素，识别，都需要很多的计算定位人员信息。还比如训练的时间，速度是一个重要指标。但是FPGA它复杂的计算取完成不了。如果GPU或者APU那一天计算能力能更上一层楼的话，我也会考虑去学习的。

          这些只是主要的学习内容，还有很多小的内容也要跟上，比如说数学。内容很多，我只能在我能掌握的时间里，对比我的各项能力，来平衡每一部分的学习时间。这些就是我想说的，想跟我一起学习的朋友们。就和我一起学习吧。我的QQ，849886241.求关注，求帮助。路很长，要人帮呀。