算法 （ALGORITHM）

卷積神經網絡CNN： Convolution Neural Network

以非內存半導體現場可編程門陣列 （FPGA）形式提供集成的自動駕駛解決方案。FPGA彌補了通用處理器的性能限制和結合專用集成電路的特性，而成為最近關注的焦點。通過FPGA，我們會為客戶提供價格競爭力強和配備先進技術的快速處理速度。FPGA要實現機器學習需要大量數據而不造成系統混亂和瓶頸現象，又能高速處理，所以我們提供采用準確性高的人工智能系統解決方案。

循環神經網絡RNN： Recurrent Neural Network

RNN是一種專門處理重復和序列數據學習的深度學習方式。RNN的內部循環結構，能處理含序列信息的數據。RNN可用于識別常規數據的流動及提取抽象信息，并以此分析如視頻、語音和語言等連續輸入的數據，其優點是即使在學習中也能反映連續數據流而不會丟失之前學習的信息。由于最近各行業領域的動態數據增加，RNN也被用于更多領域，而我們正積極利用RNN來識別車輛內外的圖像和語音。

強化學習RL： Reinforcement Learning

RL強化學習是根據機器自己與環境之間的關系，改善自己行為的學習方法。強化學習的意思是通過適應性加強學習，就像做更多得到贊揚的行為及減少做出受到懲罰的行為，此方法常用于機器人和人工智能的領域中。通過學習過程，做得好的話會獲得獎勵，相反，做得不好則得到懲罰，且并不像CNN或RNN需要出現正確的輸入、輸出對，因此，強化學習是學習如何通過一連的過程取得最多獎勵的方法。

生成（式）對抗網絡 GAN： Generative Adversarial Network

GAN是帶領未來深度學習的方式而受到關注的學習方法。生成（式）對抗網絡是非指導學習方法，不像CNN和RNN那樣需要大量數據來學習。亦與學習配對數據和標記的學習方式不同，可從無標記數據中獲取知識，自己主動掌握事物特征。通過這方式就可以擺脫識別和區分，使自己有創造力，在建立圖像、編輯、轉換和復原等方面展示多種效用。

編輯：jq