UE4深度学习与无人驾驶

来源 | UE4学习 UE5学习

知圈 | 进“底盘社群”请加微yanzhi-6,备注底盘

通过机器学习和算法，使用UE4纯蓝图开发AI车辆的深度学习。包含神经网络、输入层、隐含层和输出层。

场景中车辆车可以同时运行(但不相互作用)，每一轮之后,车辆根据适应性得分，神经网络也会随机变化的10%。

深度学习是机器学习的一个分支领域，它是从数据中学习的一种新方法，强调从连续的层中进行学习，这些层对应于越来越有意义的表示。“深度学习”中的“深度“指的并不是利用这种方法所获取的更深层次的理解，而是指一系列连续的表示层。数据模型中包含多少层，这被称为模型的深度。现代深度学习通常包含数十个甚至上百个连续的表示层，这些表示层全都是从训练数据中自动学习的。与此相反，其他机器学习的重点往往是仅仅学习一两层的数据表示，故有时也被称为浅层学习。

先前的机器学习技术仅包含将输入数据变换到一两个连续的表示空间，通常使用简单的变换，比如SVM和决策树。但这些技术无法得到复杂问题所需要的精确表示。因此，人们必须竭尽全力让初始数据更适合用这些方法来处理，也必须手动为数据设计好的表示层。这叫做特征工程。与此相反，深度学习完全将这个步骤自动化：利用深度学习，你可以一次性学习所有特征，而无需自己动手设计。这将原本复杂的多阶段流程替换为一个简单的、端到端的深度学习模型。

到21世纪前十年的末期，神经网络仍然很浅，仅使用一两个表示层，无法超越更为精确的浅层方法，比如SVM和随机森林。关键问题在于通过多层叠加的梯度传播。随着层数的增加，用于训练神经网络的反馈信号会消失。

这一情况在2009-2010年左右发生了变化，当时出现了几个很简单但很重要的算法改进，可以实现更好的梯度传播。

更好的神经层激活函数。
更好的权重初始化方案，一开始使用逐层预训练的方法，不过这种方案很快就被放弃了。
更好的优化方案，比如RMSProp和Adam。

密集连接网络是Dense层的堆叠，它用于处理向量数据（向量批量）。这种网络假设输入特征中没有特定结构：之所以叫密集连接，是因为Dense层的每个单元都和其他所有单元相连接。

密集连接网络最常用于分类数据，比如房价预测。它还用于大多数网络最终分类或回归的阶段。例如卷积神经网络最后通常是一两个Dense层，循环神经网络也是如此。