Neironu tīkli un Dziļa mācīšanās pašlaik ir divi karsti vārdi, kurus mūsdienās izmanto ar mākslīgo intelektu. Pēdējos notikumus mākslīgā intelekta pasaulē var attiecināt uz šiem diviem, jo tiem ir bijusi nozīmīga loma AI izlūkošanas uzlabošanā.
Apskatiet apkārt un jūs atradīsiet arvien vairāk viedo iekārtu. Pateicoties neironu tīkliem un dziļai izglītošanai, darbus un iespējas, kuras kādreiz uzskatīja par cilvēku fortu, pašlaik tiek veiktas ar mašīnām. Mūsdienās Mašīnām vairs nav ēst sarežģītākus algoritmus, bet tā vietā tie tiek pārveidoti par autonomām, pašizglītošanas sistēmām, kas spēj revolutionizēt daudzas rūpniecības nozares.
Neironu tīkli un Dziļa mācīšanās ir devuši milzīgus panākumus pētniekiem ar tādiem uzdevumiem kā tēlu atpazīšana, runas atpazīšana, ciešāku attiecību atrašana datu kopās. Atbalstot liela apjoma datu un skaitļošanas jaudas pieejamību, mašīnas var atpazīt objektus, pārtulkot runu, apmācīt sevi, lai identificētu sarežģītus modeļus, iemācītos izstrādāt stratēģijas un izstrādātu ārkārtas rīcības plānus reālajā laikā.
Tātad, kā tieši tas darbojas? Vai jūs zināt, ka gan Neitrālie tīkli, gan dziļa mācīšanās patiesībā ir saistīti ar dziļo mācīšanos, vispirms vispirms jāsaprot neironu tīkli? Lasīt tālāk, lai uzzinātu vairāk.
Kas ir neironu tīkls?
Neironu tīkls būtībā ir programmēšanas modelis vai algoritmu kopums, kas datoram ļauj apgūt novērošanas datus. Neironu tīkls ir līdzīgs cilvēka smadzenēm, kas darbojas, atpazīstot šablonus. Sensoriskie dati tiek interpretēti, izmantojot mašīnu uztveri, marķējumu vai izejmateriālu kopu. Atpazītie modeļi ir skaitliski, kas ir ietverti vektoros, kuros ir pārtulkoti tādi dati kā attēli, skaņa, teksts utt.
Domāju neironu tīklu! Padomājiet, kā darbojas cilvēka smadzenes
Kā minēts iepriekš, nervu tīkls darbojas tāpat kā cilvēka smadzenes; tas iegūst visas zināšanas mācību procesā. Pēc tam synaptic svars saglabā iegūtās zināšanas. Mācību procesa laikā, lai sasniegtu vēlamo mērķi, tiek pārveidoti tīkla sinaptiskie svari.
Neironu tīkli, tāpat kā cilvēka smadzenes, darbojas kā nelineāras paralēlās informācijas apstrādes sistēmas, kas ātri veic aprēķinus, piemēram, modeļa atpazīšanu un uztveri. Tā rezultātā šie tīkli darbojas ļoti labi tādās jomās kā runas, audio un attēlu atpazīšana, kur ieejas / signāli pēc būtības ir nelineāri.
Vienkārši sakot, jūs varat atcerēties Neironu tīklu kā tādu, kas spēj uzkrāt zināšanas kā cilvēka smadzenes un izmantot to, lai prognozes veiktu.
Neironu tīklu struktūra
Neironu tīkli sastāv no trim slāņiem,
- Ievades slānis
- Slēptais slānis un
- Izejas slānis
Katrs slānis sastāv no viena vai vairākiem mezgliem, kā parādīts diagrammā zemāk, izmantojot mazus apļus. Rindas starp mezgliem norāda informācijas plūsmu no viena mezgla uz otru. Informācijas plūsma no ievades uz izvadi, t.i., no kreisās uz labo pusi (dažos gadījumos tā var būt no labās puses uz kreiso pusi vai abos virzienos).
Ievades slāņa mezgli ir pasīvi, kas nozīmē, ka tie nepārveido datus. Viņi saņem vienotu vērtību savam ieguldījumam un dublina vērtību savām vairākām izvadēm. Tā kā slēpto un izejas slāņa mezgli ir aktīvi. Tādējādi viņi var mainīt datus.
Savstarpēji savienotā struktūrā katra vērtība no ievades slāņa tiek dublēta un nosūta visiem slēptajiem mezgliem. Vērtības, kas ievadītas slēptā mezglā, reizina ar svariem, kas ir programmā saglabāto iepriekš noteiktu skaitļu kopums. Pēc tam pievieno svērtās izejvielas, lai iegūtu vienu numuru. Neironu tīklos var būt vairāki slāņi un jebkurš skaits mezglu vienā slānī. Lielākā daļa lietojumprogrammu izmanto trīslāņu struktūru ar ne vairāk kā dažiem simtiem ievades mezglu
Neironu tīkla piemērs
Apsveriet neironu tīklu, kurā tiek atpazīti objekti hidrolokatorā, un datorā ir saglabāti 5000 signālu paraugi. Datoram jādefinē, vai šie paraugi ir zemūdenes, vaļu, aisberga, jūras akmeņi vai vispār nekas? Tradicionālās DSP metodes risinātu šo problēmu ar matemātiku un algoritmiem, piemēram, korelācijas un frekvenču spektra analīzi.
Kaut arī ar neironu tīklu, 5000 paraugi tiks ievadīti uz ievades slāni, kā rezultātā vērtības popping no izejas slāni. Izvēloties pareizu svaru, izvadi var konfigurēt, lai ziņotu par plašu informācijas klāstu. Piemēram, varētu būt izejas par: zemūdeni (jā / nē), jūras akmeņus (jā / nē), vaļus (jā / nē) utt.
Ar citiem svariem produkcija var klasificēt objektus kā metālu vai nemetālu, bioloģisko vai nebioloģisko, ienaidnieku vai sabiedroto utt. Nav algoritmu, nav noteikumu, nav procedūru; tikai attiecība starp ieejas un izejas vērtību, ko nosaka atlasīto svaru vērtības.
Tagad, sapratīsim dziļās mācīšanās jēdzienu.
Kas ir dziļa mācīšanās
Dziļās mācīšanās pamatā ir neironu tīklu apakšgrupa; varbūt jūs varat teikt sarežģītu Neironu tīklu ar daudziem slēptos slāņus tajā.
Tehniski runājot, dziļu izglītošanu var definēt kā spēcīgu neironu tīklu apguves metožu komplektu. Tas attiecas uz mākslīgiem neironu tīkliem (ANN), kas sastāv no daudziem slāņiem, masveida datu kopām, spēcīgām datora aparatūrām, lai padarītu iespējamu sarežģītu apmācību modeli.Tajā ir klases metodes un paņēmieni, kuros izmantoti mākslīgie neironu tīkli ar vairākiem arvien bagātākas funkcionalitātes slāņiem.
Dziļās izglītības tīkla struktūra
Dziļās apmācības tīkli galvenokārt izmanto neironu tīklu arhitektūras, un tāpēc tos bieži sauc par dziļajiem neironu tīkliem. Darbs "dziļi" attiecas uz slēpto slāņu skaitu neironu tīklā. Tradicionālais nervu tīkls satur trīs slēptus slāņus, bet dziļajos tīklos var būt pat 120-150.
"Dziļapmācība" ietver datorsistēmas datu piegādi, ko tā var izmantot, lai pieņemtu lēmumus par citiem datiem. Šos datus piegādā ar neironu tīkliem, kā tas ir mašīntulkošanas gadījumā. Dziļās apmācības tīkli var mācīties pazīmes tieši no datiem bez nepieciešamības manuāli iegūt datus.
Dziļās mācīšanās piemēri
Dziļo izglītību patlaban izmanto gandrīz visās nozarēs, sākot no Automobile, Aerospace un Automation uz Medical. Šeit ir daži piemēri.
- Google, Netflix un Amazon: Google to izmanto balss un attēlu atpazīšanas algoritmos. Netflix un Amazon arī izmanto dziļu mācīšanos, lai izlemtu, ko vēl vēlēties vai nopirkt nākamajā
- Braucot bez vadītāja. Pētnieki izmanto dziļās mācīšanās tīklus, lai automātiski noteiktu objektus, piemēram, apstāšanās zīmes un luksoforus. Dziļo izglītību izmanto arī gājēju atrašanai, kas palīdz samazināt nelaimes gadījumus.
- Aviācija un aizsardzība. Dziļo izglītību izmanto objektu identificēšanai no satelītiem, kas atrod interesējošās jomas, un identificē drošas vai nedrošas zonas karaspēkam.
- Pateicoties dziļai izglītošanai, Facebook automātiski atrod un atzīmē draugus jūsu fotoattēlos. Skype var tulkot runāto komunikāciju reāllaikā un arī precīzi.
- Medicīnas pētījumi: medicīnas pētnieki izmanto dziļu apmācību, lai automātiski noteiktu vēža šūnas
- Rūpnieciskā automatizācija: padziļināta apmācība palīdz uzlabot darbinieku drošību smago mašīnu jomā, automātiski nosakot, vai cilvēki vai priekšmeti atrodas nedrošā mašīnu attālumā.
- Elektronika: dziļā apmācība tiek izmantota automatizētā dzirdes un runas tulkošanā.
Secinājums
Neironu tīklu koncepcija nav jauna, un pētnieki pēdējā desmitgadē ir sasnieguši mērenus panākumus. Bet reālais spēļu pārveidotājs ir Deep neironu tīklu attīstība.
Izmantojot tradicionālās mašīnapmācības metodes, tā ir parādījusi, ka dziļie neironu tīkli var apmācīt un izmēģināt ne tikai daži pētnieki, bet daudznacionālo tehnoloģiju kompānijām to var pieņemt, lai tuvākajā nākotnē iegūtu labākus jauninājumus.
Pateicoties dziļai izglītošanai un neironu tīklam, AI ne tikai veic uzdevumus, bet ir sākusi domāt!
