在许多控制问题中，包括视觉，可以从场景中对象的位置推断出最佳控制。可以使用特征点表示该信息，该特征点是输入图像的学习特征映射中的空间位置列表。以前的作品表明，使用无监督的预培训或人类监督学习的功能要点可以为控制任务提供良好的功能。在本文中，我们表明，可以在结束于结束的情况下学习有效的特征点表示，而无需无监督的预训练，解码器或额外损失。我们所提出的架构包括一个可怜的特征点提取器，其将估计的特征点的坐标直接馈送到软演员 - 批评者代理。所提出的算法对深度控制套件任务的最先进的算法产生了竞争力。
translated by 谷歌翻译
分支预测是一个架构功能，加速了管道处理器上的分支指令的执行，并降低了分支的成本。摩尔法后期深度学习（DL）的最新进展是加速自动芯片设计，低功耗计算机架构的领域等等。传统的计算机架构设计和算法可以根据基于深度学习算法的动态预测因子受益，该算法通过优化大量数据的参数来学习。在本调查论文中，我们专注于传统的分支预测算法，分析其限制，并提出了对如何应用深度学习技术如何创建能够预测条件分支指令的动态分支预测器的文献调查。基于神经网络的动态分支预测技术，在这场领域的现有调查焦点。我们计划根据基于DL和先进机器学习（ML）的分支预测因子的最新研究来改进调查。
translated by 谷歌翻译