神经网络共识算法：将原先离散的投票问题变为了大规模环境下连续的排序问题。用更通俗的语言来说，把原本的0或1问题改为了概率问题，使用参数来动态调整算法从而达到更好的鲁棒性和并发性。据Seele的POC结果，通过更改共识算法的参数，可以承受更多的节点故障。对于大部分共识算法，超过40%节点故障时共识算法将失效，但神经网络共识算法通过降低节点采用率S依旧可以达成共识，神经网络共识算法可以尽可能做到减少节点间的通信；当故障节点超过35%时，使用拜占庭容错算法的NEO会堵塞，但神经网络共识算法可以允许节点继续投票直到故障恢复。并且神经网络共识算法可以做到性能随着节点的增加线性增长，里程碑效果类似大数据处理中的Hadoop集群。
辛顿1970年从剑桥心理学专业本科毕业，1978 年从爱丁堡大学获得人工智能专业博士学位。他毕业时恰好遇到人工智能的第2次高潮，于是投入到神经网络的研究中。他和燕存乐在1989年将反向传播算法应用到前馈多层神经网络学习过程，使得该算法能够识别出手写的邮政编码。不过随着层度加深，反向传播算法无法有效地调整神经连接之间的权重，导致过长的学习时间。20世纪80年代末人工智能研究进入低谷，很多同行开始研究别的领域，但是辛顿等却仍然在这一领域坚持不懈。以至于有很长一段时间，多伦多大学的计算机系里私下流行的对新生的警言是不要去辛顿的实验室。
COBOTSYS是库柏特自主研发的一款集机器人视觉、智能力控、抓取规划和机器学习等技术为一体的智能工业机器人操作系统，旨在让工业机器人的使用变得简单。丰富而强大的工具软件、高鲁棒的视觉算法和力控算法、覆盖面广的工业机器人驱动和传感器驱动，大幅降低了工业机器人的使用门槛、部署成本。
还是以水流管道为例来说明。当网络执行决策的时候，水从左侧的输入节点往右流，直到输出节点将水吐出。而在训练阶段，我们则需要从右往左来一层层地调节各个水龙头，要使水流量达到要求，我们只要让每一层的调节只对它右面一层的节点负责就可以了，这就是反向传播算法。事实证明，多层神经网络装备上反向传播算法之后，可以解决很多复杂的识别和预测等问题。
他目前是多伦多大学特聘教授，并于 2013 年加入加入谷歌 AI 团队，将神经网络带入应用一线，比如将他的成名作 Back Propagation（反向传播）算法应用到神经网络与深度学习，同时他也是第一个证明了广义反向传播算法（BP 算法 GeneralizedBackPropagationAlgorithm）训练多层神经网络的人。
-11-23中国科技大学 算法设计 概率算法课件 黄刘生 相关下载链接：//download.csdn.net/download/jhyvictory/3227308?utm_source=bbsseo。
欣顿提出的解决方案是训练深度网络。1986年，他与他人共同发表了一篇题为“Learning Internal Representations by Error Propagation”的开创性论文，提出了全新的反向传播算法。欣顿证明了反向传播算法可以让神经网络去发现其自身对数据的内部表达，从而让利用神经网络来解决之前无法解决的问题成为可能。如今，反向传播算法处于深度学习的核心，但当时这项技术还不够成熟。
随着深度学习算法的兴起和普及，人工智能领域取得了令人瞩目的进步，特别是在计算机视觉领域。21世纪的第二个十年迅速采用卷积神经网络，发明了最先进的算法，大量训练数据的可用性以及高性能和高性价比计算的发明。计算机视觉中的一个关键概念是图像分类; 这是软件系统正确标记图像中主导对象的能力。
入门Raj Reddy机器学习AI1相关数据深度学习技术深度学习（deep learning）是机器学习的分支，是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。深度学习是机器学习中一种基于对数据进行表征学习的算法，至今已有数种深度学习框架，如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。
