新聞中心
News
感謝您選擇瑞茂光學XC3000系產品，瑞茂光學自2012年起為全球用戶提供了高水平的微焦點X射線產品，10年來，感謝您們一直以來的支持！
基于您的AI流程及算法，我們說明如下。
瑞茂光學使用了基于PYTHON 的AI循環神經網絡算法（RNN），在實際的點料任務中都非常成功。我們的算法有別其他的AI算法邏輯，在傳統的神經網絡中，可以理解所有輸入和輸出都是獨立的。但是，對于許多任務，這是不合適的。如果要預測句子中的下一個單詞，最好考慮一下它前面的單詞。
RNN之所以稱為循環，是因為它們對序列的每個元素執行相同的任務，并且輸出取決于先前的計算。RNN的另一種解釋：這些網絡具有“記憶”，考慮了先前的信息。
例如，如果序列是5個單詞的句子，則由5層組成，每個單詞一層。
在RNN中定義計算的公式如下：
x_t-在時間步t輸入。例如，x_1可以是與句子的第二個單詞相對應的one-hot向量。s_t是步驟t中的隱藏狀態。這是網絡的“內存”。s_t作為函數取決于先前的狀態和當前輸入x_t：s_t = f（Ux_t + Ws_ {t-1}）。函數f通常是非線性的，例如tanh或ReLU。計算第一個隱藏狀態所需的s _ {-1}通常初始化為零（零向量）。o_t-在步驟t退出。例如，如果我們要預測句子中的單詞，則輸出可能是字典中的概率向量。o_t = softmax（Vs_t）圖像描述的生成，與卷積神經網絡一起，RNN被用作模型的一部分，以生成未標記圖像的描述。組合模型將生成的單詞與圖像中的特征相結合：
最常用的RNN類型是LSTM，它比RNN更好地捕獲（存儲）長期依賴關系。LSTM與RNN本質上相同，只是它們具有不同的計算隱藏狀態的方式。
LSTM中的memory稱為cells，您可以將其視為接受先前狀態h_ {t-1}和當前輸入參數x_t作為輸入的黑盒。在內部，這些cells決定保存和刪除哪些memory。然后，它們將先前的狀態，當前memory和輸入參數組合在一起。
再一次感謝您的理解和支持！