ImageNet: differenze tra le versioni
Contenuto cancellato Contenuto aggiunto
Riga 32:
== Importanza nel campo dell'apprendimento profondo ==
Il 30 settembre 2012, nell'ambito dell'annuale competizione ILSVRC, utilizzando una [[rete neurale convoluzionale]] denominata AlexNet<ref name=":0">{{Cita pubblicazione|cognome=Krizhevsky|nome=Alex|cognome2=Sutskever|nome2=Ilya|cognome3=Hinton|nome3=Geoffrey E.|accesso=24 Maggio 2017|titolo=ImageNet classification with deep convolutional neural networks|url=https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf|rivista=Communications of the ACM|volume=60|numero=6|mese=Giugno|anno=2017|pp=84–90|doi=10.1145/3065386|issn=0001-0782|lingua=en}}</ref>, è stato ottenuto un tasso di errore del 15,3%, con un distacco maggiore di 10,8 punti percentuali sul secondo classificato. Tale risultato è stato reso possibile dall'impiego di [[Graphics processing unit|GPU]] nella fase di addestramento della rete<ref name=":0" />: l'impiego di GPU si è rivelato un ingrediente essenziale nella rivoluzione dell'[[apprendimento profondo]] (in inglese '''''deep learning'''''). Secondo il ''[[The Economist]]'', a seguito di tale evento è nato un improvviso interesse verso l'intelligenza artificiale, non solo all'interno delle comunità di ricerca, ma nell'intero settore della tecnologia.<ref name=economist/><ref>{{cita news|titolo=Machines 'beat humans' for a growing number of tasks|url=https://www.ft.com/content/4cc048f6-d5f4-11e7-a303-9060cb1e5f44|accesso=3 Febbraio 2018|pubblicazione=Financial Times|data=30 Novembre 2017|lingua=en}}</ref><ref>{{Cita web|url=https://qz.com/1307091/the-inside-story-of-how-ai-got-good-enough-to-dominate-silicon-valley/|titolo=The inside story of how AI got good enough to dominate Silicon Valley|autore=Dave Gershgorn|autore2=Dave Gershgorn|sito=Quartz|accessoe=10 Dicembre 2018|lingua=en}}</ref>
In occasione del concorso promosso da ImageNet nel 2015, AlexNet è stata superata da una rete neurale convoluzionale molto profonda proposta da Microsoft, costituita da oltre 100 livelli.<ref name="microsoft2015">{{cita pubblicazione|cognome=He|nome=Kaiming|cognome2=Zhang|nome2=Xiangyu|cognome3=Ren|nome3=Shaoqing|xognome4=Sun|nome4=Jian|titolo=Deep Residual Learning for Image Recognition|rivista=2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR)|lingua=en|anno=2016|pp=770-778|url=http://openaccess.thecvf.com/content_cvpr_2016/papers/He_Deep_Residual_Learning_CVPR_2016_paper.pdf|urlarchivio=https://web.archive.org/web/20180712172513/http://openaccess.thecvf.com/content_cvpr_2016/papers/He_Deep_Residual_Learning_CVPR_2016_paper.pdf}}</ref>
| |||