Ak ste strávili nejaký čas čítaním o umela inteligencia, takmer určite ste už počuli o umelých neurónových sieťach. Ale čo to vlastne je? Namiesto toho, aby ste sa zapísali do komplexného kurzu informatiky alebo sa ponorili do niektorých hlbších zdrojov, ktoré sú k dispozícii online, pozrite si našu praktickú príručku pre laikov, aby ste získali rýchly a jednoduchý úvod do tejto úžasnej formy stroja učenie.
Čo je umelá neurónová sieť?
Umelé neurónové siete sú jedným z hlavných nástrojov používaných v strojovom učení. Ako naznačuje „neurálna“ časť ich názvu, sú to systémy inšpirované mozgom, ktoré sú určené na replikáciu spôsobu, akým sa my ľudia učíme. Neurónové siete pozostávajú zo vstupných a výstupných vrstiev, ako aj (vo väčšine prípadov) skrytej vrstvy pozostávajúcej z jednotiek, ktoré transformujú vstup na niečo, čo môže použiť výstupná vrstva. Sú to vynikajúce nástroje na nájdenie vzorov, ktoré sú príliš zložité alebo početné na to, aby ich ľudský programátor dokázal extrahovať a naučiť ich rozpoznávať.
Odporúčané videá
Zatiaľ čo neurónové siete (tiež nazývané „perceptróny“) existujú už od 40. rokov 20. storočia, len v posledných niekoľkých desaťročiach sa stali hlavnou súčasťou umelej inteligencie. Je to spôsobené príchodom techniky nazývanej „backpropagation“, ktorá umožňuje sieťam upraviť svoje skryté vrstvy neurónov v situáciách. kde výsledok nezodpovedá tomu, v čo tvorca dúfa – napríklad sieť navrhnutá na rozpoznávanie psov, ktorá nesprávne identifikuje mačku, príklad.
Súvisiace
- Čo je RAM? Tu je všetko, čo potrebujete vedieť
- Nvidia RTX DLSS: všetko, čo potrebujete vedieť
- Požiadavky na systém stabilného difúzneho PC: čo potrebujete na jeho spustenie?
Ďalším dôležitým pokrokom bol príchod neurónových sietí s hlbokým učením, v ktorých sa líšia vrstvy viacvrstvovej siete extrahujú rôzne funkcie, kým nerozpoznajú, čo hľadajú pre.
Znie to dosť komplexne. Môžeš to vysvetliť, že mám päť?
Pre základnú predstavu o tom, ako sa neurónová sieť s hlbokým učením učí, si predstavte výrobnú linku. Po zadaní surovín (súboru údajov) prechádzajú pásovým dopravníkom, pričom každá nasledujúca zastávka alebo vrstva získava inú sadu funkcií na vysokej úrovni. Ak je sieť určená na rozpoznanie objektu, prvá vrstva môže analyzovať jas jeho pixelov.
Ďalšia vrstva by potom mohla identifikovať akékoľvek okraje na obrázku na základe riadkov podobných pixelov. Potom môže ďalšia vrstva rozpoznať textúry a tvary atď. V čase, keď sa dosiahne štvrtá alebo piata vrstva, sieť hlbokého učenia vytvorí detektory komplexných funkcií. Dokáže zistiť, že určité prvky obrazu (napríklad pár očí, nos a ústa) sa bežne nachádzajú spolu.
Akonáhle sa to stane, výskumníci, ktorí trénovali sieť, môžu označiť výstupy a potom použiť spätné šírenie na opravu chýb, ktoré sa urobili. Po chvíli môže sieť vykonávať svoje vlastné klasifikačné úlohy bez toho, aby zakaždým potrebovala pomoc človeka.
Okrem toho existujú rôzne druhy učenia, ako napr pod dohľadom alebo učenie bez dozoru alebo posilňovacie učenie, v ktorom sa sieť učí sama za seba tým, že sa snaží maximalizovať svoje skóre - ako to nezabudnuteľne vykonáva Robot na hranie hier Atari od Google DeepMind.
Koľko typov neurónových sietí existuje?
Existuje viacero typov neurónových sietí, z ktorých každá má svoje vlastné špecifické prípady použitia a úrovne zložitosti. Najzákladnejším typom neurónovej siete je niečo, čo sa nazýva a dopredná neurónová sieť, v ktorom informácie putujú len jedným smerom od vstupu k výstupu.
Viac používaným typom siete je rekurentná neurónová sieť, v ktorej môžu dáta prúdiť viacerými smermi. Tieto neurónové siete majú väčšiu schopnosť učiť sa a sú široko využívané pri zložitejších úlohách, ako je učenie sa rukopisu alebo rozpoznávanie jazyka.
Existujú tiež konvolučné neurónové siete, Boltzmannove siete strojov, Hopfieldove sietea celý rad ďalších. Výber správnej siete pre vašu úlohu závisí od údajov, s ktorými ju musíte trénovať, a od konkrétnej aplikácie, ktorú máte na mysli. V niektorých prípadoch môže byť žiaduce použiť viacero prístupov, ako by to bolo v prípade náročnej úlohy, ako je rozpoznávanie hlasu.
Aké úlohy môže vykonávať neurónová sieť?
Rýchla kontrola našich archívov naznačuje, že správna otázka by mala byť „aké úlohy nemôže robí neurónová sieť?" Od aby autá jazdili autonómne po cestách, do generovanie šokujúco realistických CGI tvárí, na strojový preklad, na odhaľovanie podvodov, na čítanie našich myšlienok, na rozpoznanie, kedy a mačka je v záhrade a zapína postrekovače; neurónové siete stoja za mnohými z najväčších pokrokov v A.I.
Vo všeobecnosti sú však určené na zisťovanie vzorov v údajoch. Špecifické úlohy môžu zahŕňať klasifikáciu (klasifikácia súborov údajov do preddefinovaných tried), klastrovanie (klasifikácia údajov do rôzne nedefinované kategórie) a predpovedanie (používanie minulých udalostí na uhádnutie budúcich, ako je napríklad burza alebo filmový box). kancelária).
Ako presne sa „učia“ veci?
Rovnako ako sa učíme zo skúseností v našich životoch, neurónové siete vyžadujú údaje, aby sa mohli učiť. Vo väčšine prípadov platí, že čím viac údajov je možné hodiť do neurónovej siete, tým presnejšie budú. Myslite na to ako na každú úlohu, ktorú robíte znova a znova. Postupom času sa stávate efektívnejšími a robíte menej chýb.
Keď sa výskumníci alebo počítačoví vedci pustili do trénovania neurónovej siete, zvyčajne rozdelia svoje údaje do troch súborov. Prvým je tréningová súprava, ktorá pomáha sieti stanoviť rôzne váhy medzi jej uzlami. Potom to doladia pomocou súboru overovacích údajov. Nakoniec použijú testovaciu sadu, aby zistili, či dokáže úspešne premeniť vstup na požadovaný výstup.
Majú neurónové siete nejaké obmedzenia?
Na technickej úrovni je jednou z väčších výziev množstvo času potrebného na trénovanie sietí, čo si môže vyžadovať značné množstvo výpočtového výkonu pre zložitejšie úlohy. Najväčším problémom však je, že neurónové siete sú „čierne skrinky“, v ktorých používateľ vkladá údaje a dostáva odpovede. Môžu doladiť odpovede, ale nemajú prístup k presnému rozhodovaciemu procesu.
Toto je problém mnohých výskumníkov aktívne pracovať, ale bude to len naliehavejšie, pretože umelé neurónové siete hrajú v našich životoch čoraz väčšiu úlohu.
Odporúčania redaktorov
- Nabíjanie notebookov cez USB-C: Tu je to, čo potrebujete vedieť
- Čo je GDDR7? Všetko, čo potrebujete vedieť o novej generácii VRAM
- Výmena batérie MacBooku Pro: všetko, čo potrebujete vedieť
- Čo je Wi-Fi 7: Všetko, čo potrebujete vedieť o 802.11be
- YouTube zavádza rukoväte. Tu je to, čo potrebujete vedieť
