INHOUDSOPGAWE[Versteek][Wys]
Daar is oorspronklik gedink dat kunsmatige intelligensie (KI) 'n verre droom was, 'n tegnologie vir die toekoms, maar dit is nie meer die geval nie.
Wat eens 'n navorsingsonderwerp was, ontplof nou in die regte wêreld. KI word nou op 'n verskeidenheid plekke gevind, insluitend jou werkplek, skool, bankwese, hospitale en selfs jou foon.
Hulle is die oë van selfbesturende voertuie, Siri en Alexa se stemme, die gedagtes agter weervoorspelling, die hande agter robotondersteunde chirurgie, en meer.
Kunsmatige intelligensie (KI) word 'n alledaagse kenmerk van die moderne lewe. In die afgelope paar jaar het KI na vore getree as 'n groot speler in 'n wye reeks IT-tegnologieë.
Laastens word die neurale netwerk deur KI gebruik om nuwe dinge te leer.
Ons sal dus vandag leer oor neurale netwerke, hoe dit werk, hul tipes, toepassings en nog baie meer.
Wat is neurale netwerk?
In machine learning, 'n neurale netwerk is 'n sagteware-geprogrammeerde netwerk van kunsmatige neurone. Dit probeer om die menslike brein na te boots deur talle lae "neurone" te hê, wat soortgelyk is aan die neurone in ons brein.
Die eerste laag neurone sal foto's, video, klank, teks en ander insette aanvaar. Hierdie data vloei deur al die vlakke, met een laag se uitset wat na die volgende vloei. Dit is van kritieke belang vir die moeilikste take, soos natuurlike taalverwerking vir masjienleer.
In ander gevalle is dit egter verkieslik om na stelselkompressie te streef om modelgrootte te verminder terwyl akkuraatheid en doeltreffendheid behou word. Snoei van 'n neurale netwerk is 'n kompressiemetode wat die verwydering van gewigte van 'n geleerde model insluit. Oorweeg 'n kunsmatige intelligensie neurale netwerk wat opgelei is om mense van diere te onderskei.
Die prentjie sal deur die eerste laag neurone in helder en donker dele verdeel word. Hierdie data sal na die volgende laag oorgedra word, wat sal bepaal waar die rande is.
Die volgende laag sal probeer om die vorms te herken wat die kante se kombinasie gegenereer het. Volgens die data waarop dit opgelei is, sal die data op 'n soortgelyke wyse deur talle lae gaan om te bepaal of die beeld wat jy aangebied het van 'n mens of 'n dier is.
Wanneer data in 'n neurale netwerk gegee word, begin dit om dit te verwerk. Daarna word die data via sy vlakke verwerk om die gewenste resultaat te kry. 'n Neurale netwerk is 'n masjien wat uit gestruktureerde insette leer en die resultate vertoon. Daar is drie tipes leer wat in neurale netwerke kan plaasvind:
- Leer onder toesig – Insette en uitsette word aan die algoritmes gegee deur gebruik te maak van benoemde data. Nadat hulle geleer is hoe om data te ontleed, voorspel hulle die beoogde uitkoms.
- Leer sonder toesig – 'n ANN leer sonder die hulp van 'n mens. Daar is geen benoemde data nie, en die uitset word bepaal deur patrone wat in die uitsetdata gevind word.
- Versterking Leer is wanneer 'n netwerk leer uit die terugvoer wat dit ontvang.
Hoe werk neurale netwerke?
Kunsmatige neurone word gebruik in neurale netwerke, wat gesofistikeerde stelsels is. Die kunsmatige neurone, ook bekend as perseptrone, bestaan uit die volgende komponente:
- insette
- gewig
- Vooroordeel
- Aktiveringsfunksie
- Uitgawe
Die lae neurone waaruit neurale netwerke bestaan. 'n Neurale netwerk bestaan uit drie lae:
- Invoerlaag
- Versteekte laag
- Uitsetlaag
Data in die vorm van 'n numeriese waarde word na die invoerlaag gestuur. Die netwerk se versteekte lae is dié wat die meeste berekeninge doen. Die uitsetlaag, laaste maar nie die minste nie, voorspel die resultaat. Neurone oorheers mekaar in 'n neurale netwerk. Neurone word gebruik om elke laag te bou. Data word na die versteekte laag gestuur nadat die invoerlaag dit gekry het.
Gewigte word op elke inset toegepas. Binne die verborge lae van 'n neurale netwerk is die gewig 'n waarde wat inkomende data vertaal. Gewigte funksioneer deur insetdata te vermenigvuldig met die gewigwaarde in die invoerlaag.
Dit begin dan die eerste versteekte laag se waarde. Die invoerdata word getransformeer en deur die versteekte lae na die ander laag oorgedra. Die uitsetlaag is verantwoordelik vir die generering van die finale resultaat. Die insette en gewigte word vermenigvuldig, en die resultaat word as 'n som aan die verborge laag neurone gelewer. Elke neuron kry 'n vooroordeel. Om die totaal te bereken, voeg elke neuron die insette by wat dit ontvang.
Daarna gaan die waarde deur die aktiveringsfunksie. Die resultaat van die aktiveringsfunksie bepaal of 'n neuron geaktiveer word of nie. Wanneer 'n neuron aktief is, stuur dit inligting na die ander lae. Die data word in die netwerk geskep totdat die neuron die uitsetlaag bereik met hierdie metode. Voorwaartse verspreiding is 'n ander term hiervoor.
Die tegniek om data in 'n insetnodus in te voer en die uitset deur 'n uitsetnodus te verkry, staan bekend as voorwaartse voortplanting. Wanneer die insetdata deur die versteekte laag aanvaar word, vind voorwaartse voortplanting plaas. Dit word volgens die aktiveringsfunksie verwerk en dan na die uitset oorgedra.
Die uitkoms word met die hoogste waarskynlikheid deur die neuron in die uitsetlaag geprojekteer. Terugpropagasie vind plaas wanneer die afvoer verkeerd is. Gewigte word by elke inset geïnisialiseer terwyl 'n neurale netwerk geskep word. Terugpropagasie is die proses om die gewigte van elke inset aan te pas om foute te verminder en 'n meer akkurate uitset te verskaf.
Tipes neurale netwerk
1. Perceptron
Die Minsky-Papert-perceptronmodel is een van die eenvoudigste en oudste neuronmodelle. Dit is die kleinste eenheid van 'n neurale netwerk wat sekere berekeninge uitvoer om eienskappe of besigheidsintelligensie in inkomende data te ontdek. Dit neem geweegde insette en pas die aktiveringsfunksie toe om die finale resultaat te kry. TLU (drempellogiese eenheid) is 'n ander naam vir perceptron.
Perceptron is 'n binêre klassifiseerder wat 'n leerstelsel onder toesig is wat data in twee groepe verdeel. Logiese hekke soos EN, OF en NAND kan met perseptrone geïmplementeer word.
2. Voer-voorwaartse neurale netwerk
Die mees basiese weergawe van neurale netwerke, waarin insetdata uitsluitlik in een rigting vloei, gaan deur kunsmatige neurale nodusse en gaan deur uitsetnodusse. Invoer- en uitvoerlae is teenwoordig op plekke waar verborge lae teenwoordig is of nie. Hulle kan gekarakteriseer word as óf 'n enkellaag- óf meerlaagse toevoer-voorwaartse neurale netwerk gebaseer op hierdie.
Die aantal lae wat gebruik word, word bepaal deur die funksie se kompleksiteit. Dit propageer net vorentoe in een rigting en propageer nie agteruit nie. Hier bly die gewigte konstant. Insette word met gewigte vermenigvuldig om 'n aktiveringsfunksie te voed. 'n Klassifikasie-aktiveringsfunksie of 'n stapaktiveringsfunksie word gebruik om dit te doen.
3. Multi-laag perceptron
'n Inleiding tot gesofistikeerde neurale nette, waarin invoerdata deur baie lae kunsmatige neurone gelei word. Dit is 'n volledig gekoppelde neurale netwerk, aangesien elke nodus aan alle neurone in die volgende laag gekoppel is. Veelvuldige versteekte lae, dws ten minste drie of meer lae, is teenwoordig in die invoer- en uitvoerlae.
Dit beskik oor tweerigting voortplanting, wat beteken dat dit vorentoe en agtertoe kan voortplant. Insette word met gewigte vermenigvuldig en na die aktiveringsfunksie gestuur, waar dit via terugpropagasie verander word om die verlies te minimaliseer.
Gewigte is masjien-aangeleerde waardes van Neurale Netwerke, om dit eenvoudig te stel. Afhangende van die verskil tussen verwagte uitsette en opleidingsinsette, pas hulle self aan. Softmax word gebruik as 'n uitsetlaagaktiveringsfunksie na nie-lineêre aktiveringsfunksies.
4. Konvolusionele Neurale Netwerk
In teenstelling met die tradisionele tweedimensionele skikking, het 'n konvolusie neurale netwerk 'n driedimensionele opset van neurone. Die eerste laag staan bekend as 'n konvolusielaag. Elke neuron in die konvolusielaag verwerk slegs inligting vanaf 'n beperkte gedeelte van die visuele veld. Soos 'n filter, word invoerkenmerke in bondelmodus geneem.
Die netwerk verstaan prente in afdelings en kan hierdie aksies talle kere uitvoer om die hele beeldverwerking te voltooi.
Die prentjie word omgeskakel van RGB of HSI na grysskaal tydens verwerking. Verdere variasies in pixelwaarde sal help om rande op te spoor, en prente kan in verskeie groepe gesorteer word. Eenrigting-voortplanting vind plaas wanneer 'n CNN een of meer konvolusielae bevat, gevolg deur poel, en tweerigting-propagasie vind plaas wanneer die uitset van die konvolusielaag na 'n volledig gekoppelde neurale netwerk gestuur word vir beeldklassifikasie.
Om sekere elemente van 'n beeld te onttrek, word filters gebruik. In MLP word die insette geweeg en in die aktiveringsfunksie voorsien. RELU word in konvolusie gebruik, terwyl MLP 'n nie-lineêre aktiveringsfunksie gebruik, gevolg deur softmax. In prent- en video-herkenning, semantiese ontleding en parafrase-opsporing lewer konvolusionele neurale netwerke uitstekende resultate.
5. Radiale Vooroordeel Netwerk
'n Insetvektor word gevolg deur 'n laag RBF-neurone en 'n uitsetlaag met een nodus vir elke kategorie in 'n Radiale Basisfunksienetwerk. Die insette word geklassifiseer deur dit te vergelyk met datapunte van die opleidingstel, waar elke neuron 'n prototipe onderhou. Dit is een van die opleidingstel se voorbeelde.
Elke neuron bereken die Euklidiese afstand tussen die inset en sy prototipe wanneer 'n vars insetvektor [die n-dimensionele vektor wat jy probeer kategoriseer] geklassifiseer moet word. As ons twee klasse het, Klas A en Klas B, is die nuwe insette wat gekategoriseer moet word meer soortgelyk aan klas A-prototipes as klas B-prototipes.
As gevolg hiervan kan dit as klas A gemerk of gekategoriseer word.
6. Herhalende neurale netwerk
Herhalende neurale netwerke is ontwerp om 'n laag se uitset te stoor en dit dan terug te voer in die invoer om te help om die laag se uitkoms te voorspel. 'n Toevoer neurale netwerk is gewoonlik die aanvanklike laag, gevolg deur 'n herhalende neurale netwerklaag, waar 'n geheuefunksie 'n deel van die inligting onthou wat dit in die vorige tydstap gehad het.
Hierdie scenario gebruik vorentoe voortplanting. Dit stoor data wat in die toekoms nodig sal wees. In die geval dat die voorspelling verkeerd is, word die leertempo gebruik om klein aanpassings te maak. As gevolg hiervan, soos die terugpropagasie vorder, sal dit al hoe meer akkuraat word.
aansoeke
Neurale netwerke word gebruik om dataprobleme in 'n verskeidenheid dissiplines te hanteer; 'n paar voorbeelde word hieronder getoon.
- Gesigsherkenning - Gesigsherkenningsoplossings dien as effektiewe toesigstelsels. Herkenningstelsels bring digitale foto's in verband met menslike gesigte. Hulle word in kantore gebruik vir selektiewe toetrede. Die stelsels verifieer dus 'n menslike gesig en vergelyk dit met 'n lys ID's wat in sy databasis gestoor is.
- Aandeelvoorspelling – Beleggings is aan markrisiko's blootgestel. Dit is feitlik moeilik om toekomstige ontwikkelings in die uiters wisselvallige aandelemark te voorsien. Voor neurale netwerke was die voortdurend verskuiwende bullish en lomp fases onvoorspelbaar. Maar, wat het alles verander? Natuurlik praat ons van neurale netwerke ... 'n Multilayer Perceptron MLP ('n tipe kunsmatige intelligensiestelsel) word gebruik om 'n suksesvolle voorraadvoorspelling in reële tyd te skep.
- Sosiale media – Ongeag hoe corny dit mag klink, sosiale media het die alledaagse pad van bestaan verander. Die gedrag van sosiale media gebruikers word bestudeer met behulp van Kunsmatige Neurale Netwerke. Vir mededingende ontleding word data wat daagliks via virtuele interaksies verskaf word, opgestapel en ondersoek. Die optrede van sosialemediagebruikers word deur neurale netwerke herhaal. Individue se gedrag kan gekoppel word aan mense se bestedingspatrone sodra data via sosiale media-netwerke ontleed word. Data van sosiale media-toepassings word ontgin met Multilayer Perceptron ANN.
- Gesondheidsorg – Individue in vandag se wêreld maak gebruik van tegnologie se voordele in die gesondheidsorgbedryf. In die gesondheidsorgbesigheid word Convolutional Neural Networks gebruik vir X-straalopsporing, CT-skanderings en ultraklank. Die mediese beelddata wat van die voorgenoemde toetse ontvang word, word geëvalueer en beoordeel met behulp van neurale netwerkmodelle, aangesien CNN in beeldverwerking gebruik word. In die ontwikkeling van stemherkenningstelsels word die herhalende neurale netwerk (RNN) ook gebruik.
- Weerverslag – Voor die implementering van kunsmatige intelligensie was die meteorologiese departement se projeksies nooit presies nie. Weervoorspelling word grootliks gedoen om die weerstoestande wat in die toekoms sal voorkom, te voorspel. Weervoorspellings word gebruik om die waarskynlikheid van natuurrampe in die moderne tydperk te voorsien. Weervoorspelling word gedoen deur gebruik te maak van multilayer perceptron (MLP), konvolusionele neurale netwerke (CNN) en herhalende neurale netwerke (RNN).
- Verdediging – Logistiek, ontleding van gewapende aanranding en ligging van items gebruik almal neurale netwerke. Hulle is ook in diens van lug- en seepatrollies, sowel as om outonome hommeltuie te bestuur. Kunsmatige intelligensie gee die verdedigingsbedryf die broodnodige hupstoot wat dit nodig het om sy tegnologie op te skaal. Om die bestaan van onderwatermyne op te spoor, word Convolutional Neural Networks (CNN) gebruik.
voordele
- Selfs as 'n paar neurone in 'n neurale netwerk nie behoorlik funksioneer nie, sal die neurale netwerke steeds uitsette genereer.
- Neurale netwerke het die vermoë om intyds te leer en aan te pas by hul veranderende instellings.
- Neurale netwerke kan leer om 'n verskeidenheid take te doen. Om die korrekte uitkoms te verskaf gebaseer op die data wat verskaf is.
- Neurale netwerke het die krag en vermoë om verskeie take op dieselfde tyd te hanteer.
Disadvantages
- Neurale netwerke word gebruik om probleme op te los. Dit openbaar nie die verduideliking agter "waarom en hoe" dit die uitsprake gemaak het wat dit gedoen het weens die ingewikkeldheid van die netwerke nie. Gevolglik kan netwerkvertroue geërodeer word.
- 'n Neurale netwerk se komponente is interafhanklik van mekaar. Dit wil sê, neurale netwerke vereis (of is uiters afhanklik van) rekenaars met voldoende rekenaarkrag.
- 'n Neurale netwerkproses het geen spesifieke reël (of duimreël) nie. In 'n proef-en-fout-tegniek word 'n korrekte netwerkstruktuur gevestig deur die optimale netwerk te probeer. Dit is 'n prosedure wat baie fyn-instelling verg.
Gevolgtrekking
Die veld van neurale netwerke besig is om vinnig uit te brei. Dit is van kritieke belang om die konsepte in hierdie sektor te leer en te begryp om dit te kan hanteer.
Die baie soorte neurale netwerke word in hierdie artikel behandel. Jy kan neurale netwerke gebruik om dataprobleme in ander velde aan te pak as jy meer oor hierdie dissipline leer.
Lewer Kommentaar