Kui olete kulutanud aega lugedes tehisintellekt, olete peaaegu kindlasti kuulnud kunstlikest närvivõrkudest. Aga mis täpselt on üks? Selle asemel, et registreeruda põhjalikule arvutiteaduse kursusele või süveneda mõnesse põhjalikumasse ressurssi, mis on Internetis saadaval, vaadake meie käepärast võhiku juhendit, et saada kiire ja lihtne tutvustus selle hämmastava masinavormiga õppimine.
Mis on kunstlik närvivõrk?
Tehisnärvivõrgud on üks peamisi masinõppes kasutatavaid tööriistu. Nagu nende nime "neuraalne" osa viitab, on need aju inspireeritud süsteemid, mille eesmärk on kopeerida meie, inimeste õppimisviisi. Närvivõrgud koosnevad sisend- ja väljundkihtidest ning (enamasti) peidetud kihist, mis koosneb üksustest, mis muudavad sisendi millekski, mida väljundkiht saab kasutada. Need on suurepärased tööriistad selliste mustrite leidmiseks, mis on liiga keerukad või liiga arvukad, et programmeerija saaks välja tõmmata ja õpetada masinat ära tundma.
Soovitatud videod
Kuigi närvivõrgud (nimetatakse ka "pertseptroniteks")
on eksisteerinud alates 1940. aastatest, alles viimastel aastakümnetel on neist saanud tehisintellekti põhiosa. Selle põhjuseks on tehnika, mida nimetatakse "tagasi levitamiseks", mis võimaldab võrkudel oma varjatud neuronite kihte olukordades kohandada. kus tulemus ei vasta looja ootustele – näiteks koerte äratundmiseks loodud võrgustik, mis tuvastab kassi valesti, näiteks.Seotud
- Mis on RAM? Siin on kõik, mida peate teadma
- Nvidia RTX DLSS: kõik, mida pead teadma
- Stabiilse difusiooni arvutisüsteemi nõuded: mida on selle käitamiseks vaja?
Teine oluline edasiminek on olnud süvaõppe närvivõrkude saabumine, milles erinevad mitmekihilise võrgu kihid eraldavad erinevaid funktsioone, kuni see tuvastab, mida otsib jaoks.
Kõlab päris keeruliselt. Kas saate seda seletada nii, nagu oleksin viieaastane?
Põhiidee saamiseks selle kohta, kuidas süvaõppega närvivõrk õpib, kujutage ette tehaseliini. Pärast toormaterjalide (andmekogumi) sisestamist suunatakse need edasi konveierilindile, kusjuures iga järgmine peatus või kiht eraldab erineva kõrgetasemelise funktsioonide komplekti. Kui võrk peab objekti ära tundma, võib esimene kiht analüüsida selle pikslite heledust.
Järgmine kiht võib seejärel sarnaste pikslite joonte põhjal tuvastada pildi kõik servad. Pärast seda võib teine kiht tuvastada tekstuure ja kujundeid jne. Neljanda või viienda kihini jõudmise ajaks on süvaõppevõrk loonud keerukad funktsioonidetektorid. See võib välja selgitada, et teatud pildielemendid (nt silmapaar, nina ja suu) on tavaliselt koos.
Kui see on tehtud, saavad võrgustikku koolitanud teadlased anda väljundile sildid ja seejärel kasutada tehtud vigade parandamiseks reprodutseerimist. Mõne aja pärast saab võrk täita oma klassifitseerimisülesandeid, ilma et oleks vaja iga kord inimesi aidata.
Peale selle on veel erinevad õppimisviisid, nt järelevalve all või juhendamata õppimine või tugevdusõpe, milles võrgustik õpib ise, püüdes oma skoori maksimeerida – nagu seda meeldejäävalt tegi Google DeepMindi Atari mängubot.
Mitut tüüpi närvivõrke on olemas?
Närvivõrke on mitut tüüpi, millest igaühel on oma spetsiifilised kasutusjuhud ja keerukusaste. Kõige elementaarsem närvivõrgu tüüp on midagi, mida nimetatakse a edasisuunaline närvivõrk, milles teave liigub sisendist väljundini ainult ühes suunas.
Laialdasemalt kasutatav võrgutüüp on korduv närvivõrk, milles andmed võivad liikuda mitmes suunas. Nendel närvivõrkudel on suuremad õppimisvõimed ja neid kasutatakse laialdaselt keerukamate ülesannete jaoks, nagu käekirja õppimine või keeletuvastus.
Samuti on olemas konvolutsioonilised närvivõrgud, Boltzmanni masinavõrgud, Hopfieldi võrgudja paljud teised. Ülesande jaoks õige võrgu valimine sõltub andmetest, mida peate selle treenimiseks kasutama, ja konkreetsest rakendusest, mida silmas peate. Mõnel juhul võib olla soovitav kasutada mitut lähenemisviisi, nagu näiteks sellise keerulise ülesande puhul nagu hääletuvastus.
Milliseid ülesandeid saab närvivõrk teha?
Meie arhiivide kiire skannimine näitab, et õige küsimus peaks siin olema "millised ülesanded ei saa närvivõrk? Alates paneb autod teedel autonoomselt sõitma, kuni tekitades šokeerivalt realistlikke CGI nägusid, masintõlkele, pettuste tuvastamisele, to meie mõtteid lugedes, äratundmiseks, kui a kass on aias ja lülitab vihmutid sisse; närvivõrgud on paljude A.I suurimate edusammude taga.
Laias laastus on need aga mõeldud andmete mustrite tuvastamiseks. Konkreetsed ülesanded võivad hõlmata klassifitseerimist (andmekogumite klassifitseerimine eelnevalt määratletud klassidesse), rühmitamist (andmete klassifitseerimine erinevad määratlemata kategooriad) ja ennustus (minevikusündmuste kasutamine tulevaste sündmuste (nt aktsiaturg või filmikast) ennustamiseks kontor).
Kuidas nad täpselt asju "õpivad"?
Samamoodi nagu me õpime oma elus saadud kogemustest, vajavad närvivõrgud õppimiseks andmeid. Enamikul juhtudel, mida rohkem andmeid saab närvivõrku visata, seda täpsemaks need muutuvad. Mõelge sellele nagu igale ülesandele, mida te ikka ja jälle teete. Aja jooksul muutute järk-järgult tõhusamaks ja teete vähem vigu.
Kui teadlased või arvutiteadlased asuvad koolitama närvivõrku, jagavad nad tavaliselt oma andmed kolmeks. Esiteks on treeningkomplekt, mis aitab võrgul määrata oma sõlmede vahel erinevaid raskusi. Pärast seda täpsustavad nad seda valideerimisandmete kogumi abil. Lõpuks kasutavad nad testikomplekti, et näha, kas see suudab edukalt muuta sisendi soovitud väljundiks.
Kas närvivõrkudel on mingeid piiranguid?
Tehnilisel tasandil on üks suuremaid väljakutseid võrkude koolitamiseks kuluv aeg, mis võib keerukamate ülesannete jaoks nõuda märkimisväärset arvutusvõimsust. Suurim probleem on aga see, et närvivõrgud on "mustad kastid", milles kasutaja sisestab andmeid ja saab vastuseid. Nad saavad vastuseid täpsustada, kuid neil puudub juurdepääs täpsele otsustusprotsessile.
See on paljude teadlaste probleem aktiivselt töötades, kuid see muutub ainult tungivamaks, kuna tehisnärvivõrgud mängivad meie elus aina suuremat rolli.
Toimetajate soovitused
- USB-C laadimisega sülearvutid: siin on see, mida peate teadma
- Mis on GDDR7? Kõik, mida pead teadma järgmise põlvkonna VRAM-i kohta
- MacBook Pro aku vahetamine: kõik, mida pead teadma
- Mis on Wi-Fi 7: kõik, mida peate 802.11be kohta teadma
- YouTube toob välja käepidemed. Siin on, mida peate teadma
