keras加载模型权重继续训练 人工智能技术有哪些？

人工智能技术有哪些？现在人工智能的种类太多了。随着人工智能的普及和应用范围的扩大，它将进入更多的领域。现在人工智能几乎涉及所有学科，如认知科学、数学、神经生理学、信息论、控制论、不确定性理论、计算机科

人工智能技术有哪些？

现在人工智能的种类太多了。随着人工智能的普及和应用范围的扩大，它将进入更多的领域。

现在人工智能几乎涉及所有学科，如认知科学、数学、神经生理学、信息论、控制论、不确定性理论、计算机科学、心理学、哲学、语言、自然科学和社会科学。

应用领域包括：翻译、智能控制、专家系统、机器人学、语言、图像理解、遗传编程、自动编程、大信息处理、存储、管理、执行一些活体无法执行的任务，或复杂而大规模的任务等

特定应用有：网络、工业、农业、航天、军事、自然、家庭、个人等等，各行各业都有人工智能。

用同一数据集训练神经网络，每次训练结果不一样，有时正确率很高，有时很低，为什么？

其实这个问题的实质是，如果我们用机器学习算法对数据集上的数据模型进行一次训练，保存模型，然后用同样的算法和同样的数据集以及数据排序对其进行再次训练，那么第一个模型和第二个模型是一样的吗？

这可能是因为神经网络用增益或权重的随机值初始化，然后每个模拟在训练阶段有不同的起点。如果您希望始终保持相同的初始权重，可以尝试为初始权重修复种子以消除问题。

如果我们深入研究这个问题，我们可以根据ml算法的“确定性”来对其进行分类。当从同一个数据集进行训练时：

一个是总是生成相同的模型，并且记录以相同的顺序呈现；

另一个是总是生成不同的模型，并且记录顺序不同。

在实践中，大多数是“不确定的”。模型变化的原因可能是机器学习算法本身存在随机游走、不同权值的随机初始化、不同分量的概率分布抽样来分配优化函数。

虽然模型的“不确定性”可能会对单个训练结果造成干扰，但我们也可以用“不确定性”来确认模型的稳定性，如决策树、支持向量机（SVM）、神经网络等，最终可以通过多次迭代来确认模型的稳定性。

深度学习难吗？

有毅力不难思考，有毅力不难思考，有毅力不难坚持！