Какво е изкуствена невронна мрежа? Ето всичко, което трябва да знаете

Ако сте прекарали известно време в четене за изкуствен интелект, почти сигурно сте чували за изкуствени невронни мрежи. Но какво точно е едно? Вместо да се запишете в изчерпателен курс по компютърни науки или да се задълбочите в някои от по-задълбочените ресурси, които са достъпно онлайн, вижте нашето удобно ръководство за неспециалисти, за да получите бързо и лесно въведение в тази невероятна форма на машина изучаване на.

Какво е изкуствена невронна мрежа?

Изкуствените невронни мрежи са един от основните инструменти, използвани в машинното обучение. Както подсказва „невронната“ част от името им, те са вдъхновени от мозъка системи, които са предназначени да възпроизвеждат начина, по който ние, хората, учим. Невронните мрежи се състоят от входни и изходни слоеве, както и (в повечето случаи) скрит слой, състоящ се от единици, които трансформират входа в нещо, което изходният слой може да използва. Те са отлични инструменти за намиране на модели, които са твърде сложни или многобройни, за да ги извлече човешки програмист и да научи машината да ги разпознава.

Докато невронните мрежи (наричани още „перцептрони“) съществуват от 1940 г, едва през последните няколко десетилетия те се превърнаха в основна част от изкуствения интелект. Това се дължи на появата на техника, наречена „обратно разпространение“, която позволява на мрежите да коригират своите скрити слоеве от неврони в ситуации където резултатът не съвпада с това, на което се надява създателят - като мрежа, предназначена да разпознава кучета, която погрешно идентифицира котка, за пример.

Друг важен напредък е пристигането на невронни мрежи за дълбоко обучение, в които различни слоевете на многослойната мрежа извличат различни характеристики, докато може да разпознае какво търси за.

Звучи доста сложно. Можете ли да го обясните, сякаш съм на пет?

За основна представа как се учи една невронна мрежа за дълбоко обучение, представете си фабрична линия. След като суровините (наборът от данни) бъдат въведени, те се предават надолу по конвейерната лента, като всяко следващо спиране или слой извлича различен набор от характеристики на високо ниво. Ако мрежата е предназначена да разпознае обект, първият слой може да анализира яркостта на неговите пиксели.

След това следващият слой може да идентифицира всички ръбове в изображението въз основа на линии от подобни пиксели. След това друг слой може да разпознае текстури и форми и т.н. Докато бъде достигнат четвъртият или петият слой, мрежата за дълбоко обучение ще е създала сложни детектори на характеристики. Може да разбере, че някои елементи на изображението (като чифт очи, нос и уста) обикновено се намират заедно.

След като това бъде направено, изследователите, които са обучили мрежата, могат да дадат етикети на изхода и след това да използват обратно разпространение, за да коригират всички грешки, които са били направени. След известно време мрежата може да изпълнява свои собствени задачи за класифициране, без да се нуждае от помощ всеки път.

Освен това има различни видове учене, като напр контролиран или обучение без надзор или обучение за засилване, в който мрежата се учи за себе си, като се опитва да максимизира резултата си – както запомнящо се извършва от Ботът за игра на игри Atari на Google DeepMind.

Колко вида невронни мрежи има?

Има множество видове невронни мрежи, всяка от които идва със свои специфични случаи на употреба и нива на сложност. Най-основният тип невронна мрежа е нещо, наречено a предварителна невронна мрежа, при който информацията пътува само в една посока от вход към изход.

По-широко използван тип мрежа е повтаряща се невронна мрежа, в който данните могат да текат в множество посоки. Тези невронни мрежи притежават по-големи способности за учене и се използват широко за по-сложни задачи като изучаване на почерк или разпознаване на език.

Също така има конволюционни невронни мрежи, Болцманови машинни мрежи, Мрежи на Хопфийлд, както и различни други. Изборът на правилната мрежа за вашата задача зависи от данните, с които трябва да я обучите, и конкретното приложение, което имате предвид. В някои случаи може да е желателно да се използват множество подходи, какъвто би бил случаят с предизвикателна задача като гласово разпознаване.

Какви задачи може да изпълнява невронната мрежа?

Едно бързо сканиране на нашите архиви предполага, че правилният въпрос тук трябва да бъде „какви задачи не може невронна мрежа?" от накарайте автомобилите да се движат автономно по пътищата, да се генериране на шокиращо реалистични CGI лица, към машинен превод, към откриване на измами, към четейки мислите ни, за разпознаване, когато a котката е в градината и включва пръскачките; невронните мрежи стоят зад много от най-големите постижения в ИИ.

Най-общо казано обаче те са предназначени за откриване на модели в данните. Специфичните задачи могат да включват класификация (класифициране на набори от данни в предварително дефинирани класове), групиране (класифициране на данни в различни недефинирани категории) и прогнозиране (използване на минали събития за отгатване на бъдещи, като борса или филмова кутия офис).

Как точно "научават" неща?

По същия начин, по който се учим от опита в живота си, невронните мрежи изискват данни, за да се учат. В повечето случаи колкото повече данни могат да бъдат хвърлени в невронна мрежа, толкова по-точна ще стане тя. Мислете за това като за всяка задача, която правите отново и отново. С течение на времето постепенно ставате по-ефективни и правите по-малко грешки.

Когато изследователи или компютърни учени се заемат да обучават невронна мрежа, те обикновено разделят своите данни на три групи. Първият е набор за обучение, който помага на мрежата да установи различните тегла между нейните възли. След това те го настройват фино, като използват набор от данни за валидиране. И накрая, те ще използват набор от тестове, за да видят дали може успешно да превърне входа в желания изход.

Имат ли невронните мрежи някакви ограничения?

На техническо ниво едно от по-големите предизвикателства е времето, необходимо за обучение на мрежи, което може да изисква значително количество изчислителна мощност за по-сложни задачи. Най-големият проблем обаче е, че невронните мрежи са „черни кутии“, в които потребителят въвежда данни и получава отговори. Те могат да прецизират отговорите, но нямат достъп до точния процес на вземане на решения.

Това е проблем на редица изследователи работи активно върху, но това ще става все по-належащо, тъй като изкуствените невронни мрежи играят все по-голяма роля в живота ни.

Препоръки на редакторите

• Лаптопи с USB-C зареждане: Ето какво трябва да знаете
• Какво е GDDR7? Всичко, което трябва да знаете за VRAM от следващо поколение
• Смяна на батерията на MacBook Pro: всичко, което трябва да знаете
• Какво е Wi-Fi 7: Всичко, което трябва да знаете за 802.11be
• YouTube пуска дръжки. Ето какво трябва да знаете