據(jù)electrek報(bào)道,，特斯拉申請(qǐng)了一項(xiàng)技術(shù)專(zhuān)利，計(jì)劃從其龐大的車(chē)隊(duì)中獲取數(shù)據(jù)，以訓(xùn)練自動(dòng)駕駛神經(jīng)網(wǎng)絡(luò),。

　　特斯拉申請(qǐng)了這項(xiàng)專(zhuān)利，但特斯拉人工智能和自動(dòng)駕駛軟件負(fù)責(zé)人安德烈·卡帕西（Andrej Karpathy）被指定為這項(xiàng)專(zhuān)利應(yīng)用的唯一發(fā)明人。

　　卡帕西在這項(xiàng)專(zhuān)利中描述了在應(yīng)用程序中為深度學(xué)習(xí)培訓(xùn)收集數(shù)據(jù)的問(wèn)題：“通過(guò)訓(xùn)練機(jī)器學(xué)習(xí)模型，開(kāi)發(fā)應(yīng)用于自動(dòng)駕駛等領(lǐng)域的深度學(xué)習(xí)系統(tǒng),。

　　通常，深度學(xué)習(xí)系統(tǒng)的性能至少在一定程度上受到用于訓(xùn)練模型的訓(xùn)練集的質(zhì)量的限制,。在許多情況下,，重要的資源被投入到收集、管理和注釋培訓(xùn)數(shù)據(jù)上,。創(chuàng)建訓(xùn)練集所需的工作可能很重要,，而且常常很繁瑣。此外,，為機(jī)器學(xué)習(xí)模型改進(jìn),，進(jìn)行特定案例數(shù)據(jù)收集通常是困難的?！?/p>

　　特斯拉開(kāi)發(fā)自動(dòng)駕駛系統(tǒng)的方式與大多數(shù)其他公司大相徑庭,。大多數(shù)其他公司利用相對(duì)較小的車(chē)隊(duì)測(cè)試車(chē)輛，收集數(shù)據(jù)和檢測(cè)系統(tǒng),，但特斯拉利用其銷(xiāo)售的成千上萬(wàn)車(chē)進(jìn)行數(shù)據(jù)收集,。這些車(chē)配備一組傳感器收集路上和駕駛數(shù)據(jù)，以及測(cè)試無(wú)人駕駛系統(tǒng)在“影子模式”中的運(yùn)行,。

　　車(chē)隊(duì)收集的這些數(shù)據(jù)對(duì)特斯拉訓(xùn)練自動(dòng)駕駛神經(jīng)網(wǎng)絡(luò)非常有價(jià)值,。但是，又必須小心地收集,，并把數(shù)據(jù)供給自動(dòng)駕駛神經(jīng)網(wǎng)絡(luò),。

　　卡帕西在專(zhuān)利申請(qǐng)中提到：“隨著機(jī)器學(xué)習(xí)模型變得越來(lái)越復(fù)雜，如更深層次的神經(jīng)網(wǎng)絡(luò),，對(duì)大型訓(xùn)練數(shù)據(jù)集的需求也相應(yīng)增加,。

　　與較淺的神經(jīng)網(wǎng)絡(luò)相比，這些較深的神經(jīng)網(wǎng)絡(luò)可能需要更多的訓(xùn)練實(shí)例,，以確保其通用性,。例如，一個(gè)神經(jīng)網(wǎng)絡(luò)可能被訓(xùn)練得對(duì)相關(guān)數(shù)據(jù)非常精確,，但是這個(gè)神經(jīng)網(wǎng)絡(luò)可能不能很好地泛化到預(yù)測(cè)未來(lái)的案例,。而在這個(gè)案例中，神經(jīng)網(wǎng)絡(luò)可能會(huì)受益于訓(xùn)練數(shù)據(jù)中包含的其他例子,?！?/p>

　　因此，卡帕西解釋了他的專(zhuān)利方法,，將潛在的訓(xùn)練數(shù)據(jù)從源頭分類(lèi),，然后再傳輸：

　　“示例方法包括接收傳感器并將神經(jīng)網(wǎng)絡(luò)應(yīng)用于傳感器數(shù)據(jù)。將觸發(fā)分類(lèi)器應(yīng)用于神經(jīng)網(wǎng)絡(luò)的中間結(jié)果，以確定傳感器數(shù)據(jù)的分類(lèi)器評(píng)分,。根據(jù)至少部分分類(lèi)器得分,，決定是否通過(guò)計(jì)算機(jī)網(wǎng)絡(luò)傳輸至少部分傳感器數(shù)據(jù)。當(dāng)確定為‘積極’時(shí),，傳感器數(shù)據(jù)被傳輸并用于生成訓(xùn)練數(shù)據(jù),。”