新闻动态

        我们使用深度学习中的有监督学习进行训练时，很重要的一点是特征的全面性和有效性，特征本身是不可穷尽的，难免有些特征是尚未学习到的，也难免有些特征的有效性是跟随特征的不断丰富而越来越精确的，所以会暂时有些特征的识别精度是不够尽如人意的。那么，在有限的条件下，尽可能的使得识别可用与识别率不断成长就是一个重要的指标，我们通过提供创新的无感自学习类型的识别，完美的解决了这个问题。

        无感自学习的成长逻辑分两个阶段，第一阶段是通用识别精度不高时选择无感学习，无感首阶段通过投票等多种策略算法提高识别精度，多策略组合会使识别速度略慢，识别代价略高，但是精度保障可用，使用一小段时间后，算法会根据已识别的特征自动学习，在用户无感知的情况下迅速完成模型的迭代升级，自动与用户识别需求匹配后，进入无感自学习第二阶段使用，二阶段使用的是深度学习升级后的模型，识别率持续提高，识别速度极快，识别费用降到较低的价格。无感学习两阶段的过渡无需用户参与任何动作，对用户来说是完全透明的，选择无感学习接入使用一小段时间后，不知不觉就会变为使用增强模型来获得低价且极速识别的良好体验。

        无感自学习使用流程：背景（通用模型的泛化是有局限的，某些图形识别率需要由自学习增强，通过在线测试可知哪种类型更适合您）

1、  判断需要使用自学习类型。（使用该类型Typeid=7，如果你有多种识别都需要自学习类型，需要自定义Typename的内容以作区分）

2、  调用报错接口进行反馈。（务必调用，既可降费用，又增学习效率）

3、  在使用过程中系统自动学习特征。

4、  自学习达到系统阈值。（根据使用量可快到1天内完成自动增强）

5、  使用增强模型识别。（获得40毫秒高速与较低费用的识别效果）

6、  继续下一个无感自学习的需求。。。