Kas ir mākslīgais neironu tīkls? Šeit ir viss, kas jums jāzina

Ja esat veltījis laiku, lasot par mākslīgais intelekts, jūs gandrīz noteikti būsiet dzirdējuši par mākslīgajiem neironu tīkliem. Bet kas īsti ir viens? Tā vietā, lai reģistrētos visaptverošā datorzinātņu kursā vai iedziļināties dažos padziļinātos resursos, kas ir kas ir pieejams tiešsaistē, izlasiet mūsu parocīgo rokasgrāmatu profesionāļiem, lai ātri un vienkārši iepazītos ar šo apbrīnojamo iekārtu mācīšanās.

Kas ir mākslīgais neironu tīkls?

Mākslīgie neironu tīkli ir viens no galvenajiem rīkiem, ko izmanto mašīnmācībā. Kā norāda to nosaukuma “neirālā” daļa, tās ir smadzeņu iedvesmotas sistēmas, kuru mērķis ir atkārtot veidu, kā mēs, cilvēki, mācāmies. Neironu tīkli sastāv no ievades un izvades slāņiem, kā arī (vairumā gadījumu) slēptā slāņa, kas sastāv no vienībām, kas pārveido ievadi par kaut ko tādu, ko var izmantot izvades slānis. Tie ir lieliski rīki, lai atrastu modeļus, kas ir pārāk sarežģīti vai pārāk daudz, lai programmētājs varētu iegūt un iemācīt mašīnai atpazīt.

Kamēr neironu tīkli (saukti arī par "perceptroniem") pastāv kopš 1940. gadiem, tikai pēdējo desmitgažu laikā tie ir kļuvuši par galveno mākslīgā intelekta daļu. Tas ir saistīts ar paņēmienu, ko sauc par "atpakaļpavairošanu", kas ļauj tīkliem situācijās pielāgot savus slēptos neironu slāņus. kur rezultāts neatbilst radītāja cerētajam, piemēram, tīkls, kas paredzēts suņu atpazīšanai, kas nepareizi identificē kaķi, piemērs.

Vēl viens svarīgs sasniegums ir dziļās mācīšanās neironu tīklu ienākšana, kuros atšķiras daudzslāņu tīkla slāņi iegūst dažādas funkcijas, līdz tas var atpazīt, ko tas meklē priekš.

Izklausās diezgan sarežģīti. Vai varat to izskaidrot tā, it kā man būtu pieci?

Lai iegūtu pamatideju par to, kā mācās dziļās mācīšanās neironu tīkls, iedomājieties rūpnīcas līniju. Pēc izejmateriālu (datu kopas) ievadīšanas tie tiek nosūtīti pa konveijera lenti, ar katru nākamo pieturu vai slāni iegūstot citu augsta līmeņa funkciju kopu. Ja tīklam ir paredzēts atpazīt objektu, pirmais slānis var analizēt tā pikseļu spilgtumu.

Nākamais slānis pēc tam varētu identificēt jebkuras attēla malas, pamatojoties uz līdzīgu pikseļu līnijām. Pēc tam cits slānis var atpazīt tekstūras un formas utt. Līdz brīdim, kad tiks sasniegts ceturtais vai piektais slānis, dziļās mācīšanās tīkls būs izveidojis sarežģītus funkciju detektorus. Tas var noskaidrot, ka daži attēla elementi (piemēram, acu pāris, deguns un mute) parasti tiek atrasti kopā.

Kad tas ir izdarīts, pētnieki, kuri ir apmācījuši tīklu, var piešķirt izvadei etiķetes un pēc tam izmantot atpakaļpavairošanu, lai labotu visas pieļautās kļūdas. Pēc kāda laika tīkls var veikt savus klasifikācijas uzdevumus, katru reizi neprasot cilvēku palīdzību.

Papildus tam ir dažādi mācīšanās veidi, piemēram, uzrauga vai mācīšanās bez uzraudzības vai pastiprināšanas mācības, kurā tīkls mācās pats, cenšoties maksimāli palielināt savu rezultātu — kā neaizmirstami to paveica Google DeepMind Atari spēļu robots.

Cik daudz neironu tīklu veidu pastāv?

Ir vairāki neironu tīklu veidi, no kuriem katram ir savi specifiski lietošanas gadījumi un sarežģītības pakāpes. Visvienkāršākais neironu tīkla veids ir tā sauktais a uz priekšu vērstais neironu tīkls, kurā informācija pārvietojas tikai vienā virzienā no ievades uz izvadi.

Plašāk izmantots tīkla veids ir atkārtots neironu tīkls, kurā dati var plūst vairākos virzienos. Šiem neironu tīkliem ir lielākas mācīšanās spējas, un tos plaši izmanto sarežģītākiem uzdevumiem, piemēram, rokraksta vai valodas atpazīšanas apguvei.

Tur ir arī konvolucionālie neironu tīkli, Boltzmann mašīnu tīkli, Hopfield tīkli, un dažādas citas. Pareizā tīkla izvēle savam uzdevumam ir atkarīga no datiem, kas jums jāapmāca, un no konkrētās lietojumprogrammas. Dažos gadījumos var būt vēlams izmantot vairākas pieejas, piemēram, veicot tādus sarežģītus uzdevumus kā balss atpazīšana.

Kādus uzdevumus var veikt neironu tīkls?

Ātra mūsu arhīvu pārbaude liecina, ka pareizajam jautājumam šeit vajadzētu būt “kādi uzdevumi nevar neironu tīkls? No liekot automašīnām autonomi braukt pa ceļiem, uz radot šokējoši reālistiskas CGI sejas, uz mašīntulkošanu, uz krāpšanas atklāšanu, uz lasot mūsu domas, lai atpazītu, kad a kaķis ir dārzā un ieslēdz smidzinātājus; neironu tīkli ir aiz daudziem lielākajiem sasniegumiem A.I.

Tomēr vispārīgi runājot, tie ir paredzēti datu modeļu noteikšanai. Konkrēti uzdevumi varētu ietvert klasifikāciju (datu kopu klasificēšanu iepriekš noteiktās klasēs), klasterizāciju (datu klasificēšanu dažādas nedefinētas kategorijas) un prognozes (izmantojot pagātnes notikumus, lai uzminētu nākotnes notikumus, piemēram, akciju tirgus vai filmu kaste). birojs).

Kā tieši viņi "apgūst" lietas?

Tāpat kā mēs mācāmies no mūsu dzīves pieredzes, neironu tīkliem ir nepieciešami dati, lai mācītos. Vairumā gadījumu, jo vairāk datu var iemest neironu tīklā, jo precīzāki tie kļūs. Padomājiet par to kā par jebkuru uzdevumu, ko veicat atkal un atkal. Laika gaitā jūs pakāpeniski kļūstat efektīvāks un pieļaujat mazāk kļūdu.

Kad pētnieki vai datorzinātnieki plāno apmācīt neironu tīklu, viņi parasti sadala savus datus trīs kopās. Pirmkārt, tas ir apmācības komplekts, kas palīdz tīklam noteikt dažādus svarus starp tā mezgliem. Pēc tam viņi to precizē, izmantojot validācijas datu kopu. Visbeidzot, viņi izmantos testa komplektu, lai noskaidrotu, vai tas var veiksmīgi pārvērst ievadi vēlamajā izvadē.

Vai neironu tīkliem ir kādi ierobežojumi?

Tehniskā līmenī viens no lielākajiem izaicinājumiem ir tīklu apmācībai nepieciešamais laiks, kas var prasīt ievērojamu skaitļošanas jaudu sarežģītākiem uzdevumiem. Tomēr lielākā problēma ir tā, ka neironu tīkli ir “melnās kastes”, kurās lietotājs ievada datus un saņem atbildes. Viņi var precizēt atbildes, taču viņiem nav piekļuves precīzam lēmumu pieņemšanas procesam.

Tā ir problēma daudziem pētniekiem aktīvi strādā pie, taču tas kļūs tikai aktuālāks, jo mākslīgajiem neironu tīkliem mūsu dzīvē ir arvien lielāka loma.

Redaktoru ieteikumi

• USB-C uzlādes klēpjdatori: lūk, kas jums jāzina
• Kas ir GDDR7? Viss, kas jums jāzina par nākamās paaudzes VRAM
• MacBook Pro akumulatora nomaiņa: viss, kas jums jāzina
• Kas ir Wi-Fi 7: viss, kas jums jāzina par 802.11be
• YouTube izlaiž rokturus. Lūk, kas jums jāzina