Jei praleidote kiek laiko skaitydami apie dirbtinis intelektas, beveik neabejotinai būsite girdėję apie dirbtinius neuroninius tinklus. Bet kas tiksliai yra vienas? Užuot užsiregistravę į išsamų informatikos kursą ar gilindamiesi į kai kuriuos išsamesnius išteklius, kurie yra galima rasti internete, peržiūrėkite mūsų patogų specialistų vadovą, kad greitai ir lengvai susipažintumėte su šia nuostabia mašinos forma mokymasis.
Kas yra dirbtinis neuroninis tinklas?
Dirbtiniai neuroniniai tinklai yra viena iš pagrindinių mašininio mokymosi įrankių. Kaip rodo „neuroninė“ jų pavadinimo dalis, tai yra smegenų įkvėptos sistemos, skirtos atkartoti tai, kaip mes, žmonės, mokomės. Neuroninius tinklus sudaro įvesties ir išvesties sluoksniai, taip pat (daugeliu atvejų) paslėptas sluoksnis, susidedantis iš vienetų, kurie paverčia įvestį į kažką, ką gali naudoti išvesties sluoksnis. Jie yra puikūs įrankiai ieškant šablonų, kurie yra per daug sudėtingi arba per daug, kad programuotojas galėtų išgauti ir išmokyti mašiną atpažinti.
Rekomenduojami vaizdo įrašai
Nors neuroniniai tinklai (taip pat vadinami „perceptronais“) gyvuoja nuo 1940 m, tik per pastaruosius kelis dešimtmečius jie tapo pagrindine dirbtinio intelekto dalimi. Taip yra dėl to, kad atsirado technika, vadinama „atgalinio sklaida“, kuri leidžia tinklams pritaikyti savo paslėptus neuronų sluoksnius situacijose. kur rezultatas neatitinka to, ko tikisi kūrėjas – pavyzdžiui, tinklas, sukurtas atpažinti šunis, klaidingai identifikuojantis katę, pavyzdys.
Susijęs
- Kas yra RAM? Štai viskas, ką reikia žinoti
- Nvidia RTX DLSS: viskas, ką reikia žinoti
- Stable Diffusion PC sistemos reikalavimai: ko reikia norint ją paleisti?
Kitas svarbus žingsnis buvo gilaus mokymosi neuroninių tinklų atsiradimas, kuriame skiriasi Daugiasluoksnio tinklo sluoksniai išskiria skirtingas funkcijas, kol gali atpažinti, ko ieško dėl.
Skamba gana sudėtingai. Ar galite tai paaiškinti taip, lyg man būtų penkeri?
Norėdami suprasti, kaip giliai besimokantis neuroninis tinklas mokosi, įsivaizduokite gamyklos liniją. Įvedus žaliavas (duomenų rinkinį), jos perduodamos konvejerio juosta, su kiekvienu paskesniu sustojimu ar sluoksniu išgaunant skirtingą aukšto lygio savybių rinkinį. Jei tinklas skirtas atpažinti objektą, pirmasis sluoksnis gali analizuoti jo pikselių ryškumą.
Tada kitas sluoksnis galėtų nustatyti bet kokius vaizdo kraštus, remiantis panašių pikselių linijomis. Po to kitas sluoksnis gali atpažinti tekstūras ir formas ir pan. Iki to laiko, kai bus pasiektas ketvirtasis ar penktasis sluoksnis, gilaus mokymosi tinklas sukurs sudėtingus funkcijų detektorius. Jis gali išsiaiškinti, kad tam tikri vaizdo elementai (pvz., akių pora, nosis ir burna) dažniausiai randami kartu.
Kai tai bus padaryta, tyrėjai, apmokę tinklą, gali pažymėti produkciją, o tada panaudoti atgalinį propagavimą, kad ištaisytų visas padarytas klaidas. Po kurio laiko tinklas gali atlikti savo klasifikavimo užduotis, kiekvieną kartą nereikalaujant žmonių pagalbos.
Be to, yra įvairių mokymosi tipų, pvz prižiūrimas arba mokymasis be priežiūros arba pastiprinimo mokymasis, kuriame tinklas mokosi pats, stengdamasis maksimaliai padidinti savo rezultatą – kaip įsimintinai tai padarė „Google DeepMind“ „Atari“ žaidimų robotas.
Kiek yra neuroninių tinklų tipų?
Yra keletas neuroninių tinklų tipų, kurių kiekvienas turi savo specifinius naudojimo atvejus ir sudėtingumo lygius. Pats paprasčiausias neuroninio tinklo tipas vadinamas a grįžtamasis neuroninis tinklas, kurioje informacija keliauja tik viena kryptimi nuo įvesties iki išvesties.
Plačiau naudojamas tinklo tipas yra pasikartojantis neuroninis tinklas, kurioje duomenys gali tekėti keliomis kryptimis. Šie neuroniniai tinklai turi didesnius mokymosi gebėjimus ir yra plačiai naudojami sudėtingesnėms užduotims, tokioms kaip rašysenos ar kalbos atpažinimas.
Taip pat yra konvoliuciniai neuroniniai tinklai, Boltzmann mašinų tinklai, Hopfield tinklai, ir daugybė kitų. Tinkamo tinklo pasirinkimas jūsų užduočiai priklauso nuo duomenų, kuriuos turite mokyti, ir konkrečios programos, kurią turite omenyje. Kai kuriais atvejais gali būti pageidautina naudoti kelis metodus, pavyzdžiui, atliekant sudėtingą užduotį, pvz., balso atpažinimą.
Kokias užduotis gali atlikti neuroninis tinklas?
Greitas mūsų archyvų nuskaitymas rodo, kad tinkamas klausimas turėtų būti „kokios užduotys negali neuroninis tinklas? Nuo priversti automobilius keliuose važiuoti autonomiškai, į sukuria šokiruojančiai tikroviškus CGI veidus, į mašininį vertimą, į sukčiavimo aptikimą, į skaitant mūsų mintis, atpažinti, kai a katė yra sode ir įjungia purkštuvus; neuroniniai tinklai yra už daugelio didžiausių A.I pažangų.
Tačiau apskritai jie yra skirti duomenų šablonams nustatyti. Konkrečios užduotys gali būti klasifikavimas (duomenų rinkinių klasifikavimas į iš anksto nustatytas klases), grupavimas (duomenų klasifikavimas į skirtingos neapibrėžtos kategorijos) ir numatymas (naudojant praeities įvykius ateities atspėti, pvz., akcijų rinką ar filmų dėžutę). biuras).
Kaip tiksliai jie „mokosi“ dalykų?
Lygiai taip pat, kaip mokomės iš savo gyvenimo patirties, neuroniniams tinklams mokytis reikia duomenų. Daugeliu atvejų kuo daugiau duomenų bus galima permesti į neuroninį tinklą, tuo tikslesni jie bus. Galvokite apie tai kaip apie bet kokią užduotį, kurią atliekate nuolat. Laikui bėgant, jūs palaipsniui tampate efektyvesni ir darote mažiau klaidų.
Kai tyrėjai ar kompiuterių mokslininkai ketina išmokyti neuroninį tinklą, jie paprastai padalija savo duomenis į tris rinkinius. Pirma, tai mokymo rinkinys, padedantis tinklui nustatyti įvairius svorius tarp mazgų. Po to jie tiksliai sureguliuoja jį naudodami patvirtinimo duomenų rinkinį. Galiausiai jie naudos bandymų rinkinį, kad pamatytų, ar jis gali sėkmingai paversti įvestį norima išvestimi.
Ar neuroniniai tinklai turi kokių nors apribojimų?
Techniniu lygmeniu vienas iš didesnių iššūkių yra tinklams apmokyti reikalingas laikas, dėl kurio sudėtingesnėms užduotims gali prireikti daug skaičiavimo galios. Tačiau didžiausia problema yra ta, kad neuroniniai tinklai yra „juodosios dėžės“, kuriose vartotojas pateikia duomenis ir gauna atsakymus. Jie gali patikslinti atsakymus, bet neturi prieigos prie tikslaus sprendimų priėmimo proceso.
Tai daugelio tyrinėtojų problema aktyviai dirbama, tačiau tai taps tik dar aktualesnė, nes dirbtiniai neuroniniai tinklai vaidins vis didesnį vaidmenį mūsų gyvenime.
Redaktorių rekomendacijos
- USB-C įkraunami nešiojamieji kompiuteriai: štai ką reikia žinoti
- Kas yra GDDR7? Viskas, ką reikia žinoti apie naujos kartos VRAM
- „MacBook Pro“ akumuliatoriaus keitimas: viskas, ką reikia žinoti
- Kas yra „Wi-Fi 7“: viskas, ką reikia žinoti apie 802.11be
- „YouTube“ išleidžia rankenas. Štai ką reikia žinoti
