摘要： 想学深度学习？心里能没点啥数吗？

特别说明：这篇文章是为了解决那些对于深度学习完全陌生并且正在计划进入这个领域的人。其目的是帮助他们批判性地思考该领域的复杂性，并帮助他们区分哪些是真正困难的事情，哪些是微不足道的事情。在我撰写和发表这篇文章时，我意识到这篇文章的语气过于挑衅，而且我不是一个好的作家，没有能力写一篇发人深省的文章。所以请用宽恕的心态来阅读文章。

现在我遇到很多想进入机器学习/人工智能领域的人，尤其是深度学习领域。有些人问我开始学习的最好方法是什么。显然，随着事情的发展，似乎没有人能够拥有足够的时间获得博士学位。而且在大学中做这方面的技术研究，有时候会感觉到在应用程序，技术和基础设施方面有点落后，所以这也就是为什么人工智能的大师们都在科技巨头任职的原因。现在几乎每家科技巨头都给博士生提供职位，延长实习期，这可以让你在没有博士学位的情况下在机器学习领域取得成功的职业生涯。你最好的选择是什么取决于你自身的情况，但也取决于你想达到的目标。总之，拥有博士的头衔进入深度学习领域，你必须要沉得住气，因为你比其他人走的更深，同时花费的时间也需要更多。

有些事情其实很简单

我发现自己给予他人深度学习的一般建议是：深度学习很容易。在不选择一些难学的领域时，学习神经网络不应该成为目标，而是一种顺带手完成的事情。比如现在的学习python，你就可以顺手学习一些深度学习。但是，你必须要有一个这样的认知：

深度学习是强大的，因为它让事情变得简单。

深度学习为什么这样的原因是，它允许我们将几个以前不可能完成的的学习问题称为过度拟合的问题，通过梯度下降将其影响最小化，这在理论上是超级简单的事情。深度学习处理我们之前无法处理的自然信号包括：图像、视频、人类语言、语音、声音。但是几乎无论你想要在深度学习中完成什么目标，总能在很短的时间内完成：你将几个需要构建模块和想法（卷积、合并、复发）结合起来，如果你有足够的数据，你可以很快的将解决它。像TensorFlow、Theano、Lasagne、Blocks、Keras等越来越高级的开源性框架，将帮助你实现你的想法，达到你的目的。

挑选更难的东西

这并不是说没有真正的新颖想法来自深度学习，也不是说深度学习就是今天发展的这个样子。在进行深度学习的时候，我们也会遇到多方面的问题，解决这些问题应该是更具挑战性。比如，生成敌对网络和变分自动编码器是引起对概率/生成建模新兴趣的出色例子。理解为什么/如何工作，以及如何推广/构建它们真的很难。同样，在理解这些深层神经网络为什么以及如何真正起作用方面还有更多令人兴奋的研究方向。

在这个领域还有另外一种感觉，低级的深度学习正在消失。建立用于监督学习的深度神经网络，虽然仍在改进中，但是现在很多人认为那是很无聊的工作或许多人都能完成监督学习模型的构建（这是一个大胆的陈述，当然远非如此），今天我们可以看到，模型的构建门槛已经低到一个中学生都能够完成，但是鉴于数据标注的问题，模型的精准度是一个巨大的挑战。所以，下一个目标就是无监督学习模型的构建，无监督学习模型肯定会从深度学习工具包中受益，但它的发展也需要一种截然不同的思维方式，比如说需要熟悉信息论/概率/几何等知识。洞察如何使这些方法真正起作用的思维方式，不大可能来自对目前神经网络架构的改进，而是会以一种脑洞形式的思维方式开始。

我个人认为今天大多数人通过学习深度学习，意味着他们正在学习使用一个相对简单的工具箱。在六个月的时间里，许多人会拥有这些技能。这些人没有必要花时间研究/学习那些太基础的东西，因为你可能会错过对工作产生真正影响的机会。把深度学习当成一个工具，而不是一个养家糊口的技术，这应该是未来的一个趋势。

回归本源

什么是最难学的例子？想想Ian Goodfellow，Durk Kingma等作者在提出前面提到的算法时所使用的知识，现在重新发现的大部分相关内容在2000年初都进行了积极的研究。或许我们都应该回顾学习一下经典的算法，如EM算法、变分推理、线性高斯系统的无监督学习、主成分分析、因子分析、卡尔曼滤波、慢特征分析。我个人也可以推荐Aapo Hyvarinen关于ICA的论文，如果你想了解一些关于深度学习前沿的技术，你应该尝试阅读（并理解）这个开创性的深层信念网络论文。

快速进阶到下一个技术边界

虽然深度学习是最近发生的最有趣的突破，但我们也尝试押注未来可能获得相关性的领域：

· 概率编程和黑箱概率推理（带或不带深度神经网络）：如果对此领域的技术感兴趣可以关注一下Picture或者Josh Tenenbaum关于反向图形网络的论文或者在NIPS研讨会上介绍黑盒推理。在这里我需要引用我的一个朋友的话：

概率编程可以为贝叶斯ML提供Theano所做的工作

· 使用或不使用深度神经网络的MCMC和变分推理方法更好且可扩展。最近有很多关于这方面的工作。如果我们让MCMC像随机梯度下降一样可靠，那么现在对于深层神经网络来说，这可能意味着更多显性贝叶斯概率模型和分层图形模型的复苏，其中RBM仅仅是一个例子。

我以前见过这个吗？

同样的事情发生在几年前，这已经成为数据科学家的流行语。最初，使用Hadoop，Hive等是一件大事，几位早期的使用者取得了非常成功的职业生涯。在早期，你真正需要做的就是对小型分布式集群进行计数，并且你很快积累了成千上万的追随者，他们崇拜你是大数据先驱。

那时候人们看起来很疯狂，但从几年后就没有开始的新鲜感了，因为很多人现在都在使用Hadoop，而且现在Hadoop也有了新的竞争对手，像Amazon的Redshift这样的工具让事情变得更简单。在那些日子里，除非你以一种有趣的方式使用这些技术，否则这种技术优势会很快消失。在炒作周期的顶部，有数据科学实习、住宿训练计划、夜校培训计划等等。当你完成这些所谓的速成技术培训时，这些技能其实正在变得毫无意义和微不足道。现在深度学习的发展过程看起来跟它们非常相似。

总之，如果你即将进入深度学习，想想这意味着什么，并尝试更加具体项目。想想现在还有多少人在你的位置上，你将如何确保你学到的东西能够真正的为你创造价值。

总结

深度学习的研究领域涉及机器学习、统计学、优化、几何学等许多有趣的且非常复杂的课题。大多数人可能遇到的深度学习——乐高积木式的深度学习，它们是相对简单的，没有任何竞争力的。换句话说，这种深度学习将在未来几年成为一种基本的技能，并不能体现出你的与众不同的价值。如果你对这个领域完全陌生，重要的是要看到超越这个简单的表面，并选择一些更难掌握的概念。

本文由阿里云云栖社区组织翻译。

文章原标题《Deep Learning is Easy - Learn Something Harder》，

译者：虎说八道，审校：袁虎。

深度学习的关键术语

云栖社区 

摘要： 本文着重介绍了深度学习的一些关键术语，其中包括生物神经元，多层感知器（MLP），前馈神经网络和递归神经网络。对于初学者来说，掌握它们可以防止在学习请教时的尴尬~

深度学习已经成为编程界的一股潮流，因为其在许多领域取得了令人难以置信的成功，使其在研究和工业领域广受欢迎。那么到底什么是深度学习呢？深度学习是应用深层神经网络技术：即利用具有多个隐藏层的神经网络结构来解决问题的过程。深度学习是一个过程，如数据挖掘，它采用深度神经网络架构，它是特定类型的机器学习算法。

深度学习最近取得了令人吃惊的成就。但，至少在我看来，谨记一些事情是很重要的：

1.深度学习不是万能的——它不是一个解决所有问题的万能的解决方案。

2.它不是传说中的王牌算法——深度学习不会取代所有其他机器学习算法和数据科学技术、或者至少它还没有证明如此。

3.有期望是必要的——尽管最近它在所有类型的分类问题上取得了很大进展，特别是计算机视觉和自然语言处理以及强化学习和其他领域，当代深度学习并没有扩展到处理非常复杂的问题，如“解决世界和平”。

4.深度学习和人工智能并不是同义词。

5.深度学习可以通过附加的过程和工具来帮助解决问题，从而为数据科学提供了极大的帮助。当从这个角度观察时，深度学习对数据科学领域是非常有价值的补充。

如上图所示，深度学习其本质就是数据挖掘，因为（深度）神经网络是机器学习（过程与体系结构）。同样可以看到的事实是，深度神经网络与当代人工智能有很大关系，至少两者可以交织在一起（然而，它们不是同一事物，人工智能是具有许多其他算法以及超越神经网络的技术）。还需要注意的是深度学习/深度神经网络与计算机视觉、自然语言处理和生成模型之间的联系，鉴于近年来在这些领域取得的巨大进步，深度学习和神经网络技术的联系是微妙的，但这种联系具有特别重要的意义。

那么，让我们来看看一些与深度学习相关的术语。

1. 深度学习：

如上所述，深度学习是应用深度神经网络技术解决问题的过程。深度神经网络是具有最小隐藏层的神经网络（见下文）。像数据挖掘一样，深度学习是指一个过程，它采用深层神经网络体系结构，其是特定类型的机器学习算法。

2. 人工神经网络（ANN）：

机器学习架构最初是由深度学习的脑神经（尤其是神经元）所启发的。实际上，单独的人工神经网络（非深度变种）已经存在了很长时间，并且历史上能够解决某些类型的问题。然而，相对最近，神经网络架构被设计出来，其中包括隐藏的神经元层（不仅仅是输入层和输出层），而且这种复杂程度增加了深度学习的能力，并提供了一套更强大的问题解决工具。

人工神经网络在结构上与深度神经网络有很大的不同，因此没有明确的神经网络定义。所有人工神经网络通常引用的特征是拥有自适应加权集合，以及将输入的非线性函数逼近神经元的能力。

3. 生物神经元

通常，生物神经网络和人工神经网络之间存在明确的联系。流行的出版物宣传了人工神经网络在某种程度上是人类（或其他生物）大脑中发生的确切复本，但这显然是不准确的。充其量，早期的人工神经网络受到生物学的启发。两者之间的抽象关系不比原子与太阳系的组成和功能之间的抽象比较明确。

也就是说，如果仅仅了解人工神经网络的灵感，它确实能让我们看到生物神经元如何在很高的水平上工作。

我们感兴趣的生物神经元的主要组成部分是：

·核：保存遗传信息（即，DNA）。

·细胞主体：处理输入激活，并将其转换成输出激活。

·树突：从其他神经元接受激活。

·轴突：传递激活到其他神经元。

·轴突末梢：与相邻的树突形成神经元之间的突触。

被称为神经递质的化学物质然后扩散穿过轴突末端和邻近的树突之间的突触间隙，构成神经传递。神经元的基本操作是激活神经元，处理，然后通过其轴突末端再传播出轴突，穿过突触间隙并到达许多接受神经元的树突，重复这个过程。

4. 感知器

感知器是一个简单的线性二元分类器。感知器获取输入和相关权重（表示相对输入重要性），并将它们组合以产生输出，然后用于分类。感知器已经存在了很长时间，早期的实现可以追溯到20世纪50年代，其中第一个涉及早期的ANN实现。

5. 多层感知机（MLP）

多层感知机（MLP）是几个完全相邻连接的感知机层的实现，形成一个简单的前馈神经网络（见下文）。这种多层感知机具有单感知机不具备的非线性激活功能的优势。

6. 前馈神经网络

前馈神经网络是神经网络结构的最简单形式，其中的连接是非周期性的。原始的人工神经网络，前馈网络中的信息从输入节点（隐藏层）向输出节点单向前进，没有周期存在。前馈网络不同于后来的经常性网络架构（RNN）（见下文），其中连接形成有向循环。

7. 经常性神经网络（RNN）

与上述前馈神经网络相比，递归神经网络的连接形成有向循环。这种双向流动允许使用内部的时间状态表示，这反过来又允许序列处理，并且提供了识别语音和手写的能力。

8. 激活函数

在神经网络中，激活函数通过组合网络的加权输入产生输出决策边界。激活函数的范围是从线性到sigmoid（逻辑）再到双曲线（相切）和超越。为了采用反向传播（见下文），网络中必须利用可区分的激活函数。

9. 反向传播

我曾经遇到过的最简洁、最基本的反向传播定义是数据科学家Mikio L. Braun 对Quora给出了以下答案：

BP只是个别错误的渐变下降，你可以将神经网络的预测与期望的输出进行比较，然后根据神经网络的权重计算误差的梯度。这将给你一个参数权重空间的方向，在这个空间中误差会变小。

10. 成本函数

在训练神经网络时，必须评估网络输出的正确性。由于我们知道训练数据的正确输出，所以可以比较训练的输出。成本函数衡量实际产出与训练产出之间的差异。实际产出和预期产出之间的零成本意味着网络一直在尽可能地进行训练，这显然是理想的。

那么，通过什么机制来调整成本函数，并将其最小化呢？

11. 梯度下降

梯度下降是一种用于寻找局部函数最小值的优化算法。尽管不能保证全局最小值，但梯度下降法对于精确求解或者难以求解的函数特别有用，例如将导数设置为零并求解。

如上所述，在神经网络的情况下，随机梯度下降用于对网络参数做出明智的调整，目的是最小化成本函数，从而使网络的实际输出更接近于迭代地达到预期的输出。这种迭代最小化成本过程采用的是微积分，即微分。在训练步骤之后，网络权重根据成本函数的梯度和网络的当前权重来接收更新，以便下一个训练步骤的结果可能更接近正确（通过较小的成本函数测量）。反向传播（错误的后向传播）是用于将这些更新分发给网络的方法。

12. 消失渐变问题

反向传播使用链式规则来计算梯度，其中朝向n层神经网络的“前”（输入）的层将其小数更新的梯度值乘以n倍，然后将该稳定值用作更新。这意味着梯度将呈指数形式下降，这是一个n值较大的问题，而前面的层次需要越来越多的时间进行有效训练。

13. 卷积神经网络

通常与计算机视觉和图像识别相关联，卷积神经网络（CNN）采用卷积的数学概念来模拟生物视觉皮层的神经连接网格。

首先，如Denny Britz所描述的那样，卷积可以被认为是图像矩阵表示上的滑动窗口（参见下文）。

这个概念在神经网络结构中的实现导致神经元集合专用于处理图像部分，至少在计算机视觉中被使用时。在其他领域（如自然语言处理）中使用时，也可以使用相同的方法，因为输入（单词，句子等）可以排列在矩阵中并以类似的方式处理。

14. 长短期记忆网络（LSTM）

长短期记忆网络（LSTM）是一种经常性神经网络，它经过优化，可以从相关事件之间的时间相关数据中学习，这些数据可能具有未定义或未知的时间长度。他们特殊的架构允许持久性，给ANN带来“记忆”。LSTM网络最近在手写识别和自动语音识别方面取得了突破。

这只是深度学习术语的一小部分，并且随着你对机器学习研究了解，许多其他的概念正在等待你的探索。

本文由阿里云云栖社区组织翻译。

文章原标题《deep-learning-key-terms-explained》

作者：Matthew Mayo

译者：虎说八道，审校。

机器学习之于IOT浅见

原创： 老曹 喔家ArchiSelf 

为了更好地服务于目标客户, 嵌入式设计团队也在研究新技术, 如机器学习和深度学习。 深度学习允许这些设计师以有限的资源更快地开发和部署复杂的系统和设备。 通过这些技术, 设计团队可以使用数据驱动的方法建立系统或复杂的系统模型。

机器学习和深度学习不是用基于物理的模型来描述系统的行为, 而是从数据推导出系统的模型。当需要处理的数据量相对较小, 而且问题的复杂性较低时, 传统的机器学习算法是有用的。但是, 如果有更多的数据, 比如无人机, 那么更大的问题又如何呢？ 这个挑战需要深度学习技术。 这种技术将把我们推向下一个控制设计和物联网应用的时代。

机器学习在工业资产中的应用

首先, 考虑机器学习技术在工业资产状态监测中的应用。机器学习将基于条件的监测应用从被动和预防性维护的时代过渡到预测性维护。 这些技术用来检测异常行为, 诊断问题, 并在某种程度上预测了工业资产的剩余使用寿命, 比如马达, 水泵和涡轮机等等。

基于机器学习开发和部署模型的工作流程如图1所示：

图1 分析工作流程与机器学习

看看这个流程是如何用来监测马达健康状况的。数据来自于多种类型的传感器, 如加速度计, 热电偶和电动机上的电流传感器等。 特征工程通常由两部分组成: 特征提取和特征提炼(图2)。

图2 特征工程

特征提取是用来从原始数据(或波形)中获取有用信息, 以了解资产的健康状况。例如, 从电动机发出的电流信号的频谱包含了可用于检测故障的信息, 如图3所示。 频谱中不同频段的平均振幅可以作为从当前信号中提取的特征。 从多个传感器中提取的特征可能有冗余信息。

图3 从电机电流信号中提取特征

一种特征提炼的方法是主成分分析(PCA) , 可以用来减少最终用于构建模型的特性数量。、特征数量的缩减可以减少所使用机器学习模型的复杂性。缩减的特征集被表示为向量(或数组) , 并输入到模型使用的机器学习算法中。

机器学习的类型

模型创建和验证是一个迭代过程, 通过这个过程, 可以实验几种机器学习算法, 并选择最适合目标应用的算法。一种非监督的机器学习算法, 如高斯混合模型(GMM) , 可以用来模拟电机的正常行为, 并检测电机何时开始偏离其基线。 非监督的方法有利于发现数据中隐藏的模式, 而无需对数据进行标记。

虽然非监督学习可以用来检测马达中的异常, 而监督学习则需要检测异常的原因。 在监督学习中, 提出了一对输入数据和所需输出的算法。这些数据被称为标记数据。该算法是将输入映射到输出的函数。用于训练机器学习算法的数据包括在正常和错误条件下提取的特征。 这些特特征是用一组标签来清楚地标识出马达的状态。 支持向量机、 Logit模型和人工神经网络是常用的监督式机器学习算法。

对传统机器学习技术的挑战是特征提取过程。 这是一个脆弱的过程, 需要领域专家的知识, 通常是机器学习工作流程中的胜负关键。

向深度学习工作流程的迈进

深度学习算法最近越来越流行, 可能是因为它们不再需要特征工程步骤。从传感器获得的数据(原始测量)可以直接输入 DL 算法, 如图4所示。

图4 深度学习的工作流程

深度学习算法是基于人工神经网络的。人工神经网络算法受到了生物神经网络结构和功能方面的启发。这些算法的结构形式是由一组相互连接的计算节点(人工神经元)组成的层次结构。 第一层被称为输入层, 它是输入信号或数据的接口。最后一层是输出层, 这一层中神经元输出最终的预测或结果。

在输入和输出层之间, 有一个或多个隐藏层(图5)。 一层的输出通过加权后连接到下一层的节点。网络通过修改这些权重来学习输入和输出之间的映射。通过使用多个隐藏层, 深度学习算法从输入数据中提取特征, 而不需要明确地将特征输入到算法中。 这被称为"特征学习"。

图5 前馈人工神经网络

面向深度学习的系统设计

深度学习最近在软件应用领域取得了成功, 主要是因为技术部件的成熟, 比如硬件中的计算能力增强, 大量的训练数据被标记, 学习算法和网络初始化方面的突破, 以及开放源码软件框架的可用性。

下面是用深度学习系统的主要考虑因素。

拓扑

深度学习是一个不断发展的领域, 目前正在使用许多网络拓扑[1]。其中一些网络显示了对控制和监控物联网应用的承诺:

• 深层神经网络(Deep Neural Network, DNN)是一种完全连接的人工神经网络, 具有许多隐藏层(因此深层)。 这些网络是极好的函数逼近器, 例如, 可用于电力行业中电子控制的应用。控制系统的仿真模型可用于使用深度网络构建控制器, 并生成训练数据。通过这种方法, 可以探索通常难以使用传统方法控制的状态(边界/交叉条件)

• 卷积神经网络(Convolutional Neural Network, 简称 CNN)是利用输入信号的二维结构, 如输入图像或语音信号。一个卷积网络由一个或多个卷积层(过滤层)组成, 然后是一个完全连接的多层神经网络。 这些网络在成像和目标识别中的缺陷检测等问题上取得了成功。它们也被用于驾驶员援助系统(ADAS)中的场景。

• 循环神经网络(Recurrent Neural Network, RNN)是基于利用顺序(或历史)信息进行预测的算法。这些网络有利于时间序列分析。传统的神经网络假设所有的输入(和输出)在时间或到达的顺序上相互独立。记录状态信息, 存储过去的信息, 并使用迄今为止计算出来的信息进行下一个预测。 在物联网应用中, RNN有利于学习历史行为, 并用于预测未来的事件, 例如资产的剩余使用寿命。 长短期记忆(LSTM)网络也适用于这类应用[2]。

• 深度强化学习(DRL)对于在复杂动态环境中运行的自适应控制系统是有好处的。 考虑控制在仓库操作中部署的机器人, 这些机器人必须动态地适应新的任务。 以强化学习为基础的控制者学习一项任务时, 它们通过执行一个动作, 使他们更接近目标而获得的奖励。例如, 控制器接收来自摄像机的图像, 该照片显示了机器人手臂的当前位置, 并利用图像中的信息来学习如何将手臂移近目标(图6)[3]。 基于DLC的控制器可以通过机器人模拟器或者通过观察实际的机器人来训练。

  
  

  
  

  

  图6 机器人控制应用的深度强化学习
  

训练

DNN需要大量的训练数据, 这些数据最好包括来自学习所需要的所有不同状态或条件的数据。对于大多数应用而言, 现有数据主要来自系统的正常工作状态, 其中包括从其他状态获取的少量数据。

数据增强/泛化是一种用来改善数据不平衡的技术, 可以从现有的小样本集开始, 通过数据转换创建额外的合成版本，还可以使用该系统的模拟模型来创建训练数据。

另一个挑战是难以收集训练这些网络所需的大量数据。转移学习是可以用来缓解这个问题的方法之一。 使用转移学习, 可以从预训练的神经网络开始(大多数深度学习框架提供了可以下载的经过完全训练的模型) , 并用应用中的数据对其进行微调。

硬件

训练深度网络有着巨大的处理要求。GPU已经成为训练深度网络的主要选择。由于计算性能高, 内存大, 以及编程工具的选择, GPU很有吸引力, 几乎成为训练的必要条件。

此外, FPGA是部署训练网络的良好目标。FPGA提供了更低的延迟, 更好的功率效率，特别是在嵌入式设备上部署这些网络, 用于与I/O紧密操作的控制系统。

软件

快速采用和成功的一个原因是成熟软件框架的可用性。 一些常见的框架有 TensorFlow, Caffe, Keras 和 Computational Network Toolkit (CNTK)[4,5,6,7]。 这些框架支持不同的操作系统, 如 Windows 和 Linux, 以及 Python 和 C语言。 大多数这些框架都有支持或实例来实施最新的深度网络，也支持GPU的使用。

深度学习: IoT 控制设计的新方向

深度学习是人工智能领域中一个令人兴奋的新方向, 也是解决工业控制设计应用中一个有前途的技术。

快速开始掌握深度学习的方法是下载前面提到的开源框架, 并且用教程示例进行实验。 从一个类似于应用程序的示例开始, 然后使用转移学习来快速操作。

References:

1. Veen, Fjodor Van. "The Neural Network Zoo." The Asimov Institute. October 28, 2016. Accessed September 20, 2017. http://www.asimovinstitute.org/neural-network-zoo/.

2. "Long short-term memory." Wikipedia. August 27, 2017. Accessed September 20, 2017. https://en.wikipedia.org/wiki/Longshort-termmemory.

3. Zhang, Fangyi, Jürgen Leitner, Michael Milford, Ben Upcroft, and Peter Corke. "Towards Vision-Based Deep Reinforcement Learning for Robotic Motion Control." [1511.03791] Towards Vision-Based Deep Reinforcement Learning for Robotic Motion Control. November 13, 2015. Accessed September 20, 2017. https://arxiv.org/pdf/1511.03791.pdf.

4. "TensorFlow." TensorFlow. Accessed September 20, 2017. https://www.tensorflow.org/.

5. "Caffe." Caffe | Deep Learning Framework. Accessed September 20, 2017. http://caffe.berkeleyvision.org/.

6. "Keras: The Python Deep Learning library." Keras Documentation. Accessed September 20, 2017. https://keras.io/.

7. "Video: Unlock deeper learning with the new Microsoft Cognitive Toolkit." Microsoft Cognitive Toolkit. Accessed September 20, 2017. https://www.microsoft.com/en-us/cognitive-toolkit/.

8. http://www.embedded-computing.com/hardware/machine-learning-now-and-into-the-future

本文系“产业智能官”（公众号ID：AI-CPS）收集整理，转载请注明出处！

版权声明：由产业智能官（公众号ID：AI-CPS）推荐的文章，除非确实无法确认，我们都会注明作者和来源。部分文章推送时未能与原作者取得联系。若涉及版权问题，烦请原作者联系我们，与您共同协商解决。联系、投稿邮箱：erp_vip@hotmail.com