Першапачаткова штучны інтэлект (ШІ) лічылася далёкай марай, тэхналогіяй будучыні, але гэта больш не так.
Тое, што раней было тэмай даследавання, зараз выбухае ў рэальным свеце. ІІ зараз можна знайсці ў розных месцах, у тым ліку на вашым працоўным месцы, у школе, у банку, у бальніцах і нават на вашым тэлефоне.
Гэта вочы аўтамабіляў, галасы Сіры і Алексы, розумы, якія стаяць за прагнозам надвор'я, рукі, якія стаяць за аперацыямі з дапамогай робатаў, і многае іншае.
Штучны інтэлект (AI) становіцца звычайнай рысай сучаснага жыцця. За апошнія некалькі гадоў ІІ стаў галоўным гульцом у шырокім дыяпазоне ІТ-тэхналогій.
Нарэшце, нейронная сетка выкарыстоўваецца ІІ для вывучэння новых рэчаў.
Таму сёння мы даведаемся пра нейронавыя сеткі, як яны працуюць, іх тыпы, прымяненне і многае іншае.
Што такое нейронная сетка?
In навучанне з дапамогай машыны, нейронная сетка — гэта праграмна-праграмаваная сетка штучных нейронаў. Ён спрабуе імітаваць чалавечы мозг, маючы мноства слаёў «нейронаў», якія падобныя на нейроны ў нашым мозгу.
Першы пласт нейронаў будзе прымаць фатаграфіі, відэа, гук, тэкст і іншыя ўводы. Гэтыя даныя праходзяць праз усе ўзроўні, пры гэтым выхад аднаго пласта перацякае ў наступны. Гэта важна для самых складаных задач, такіх як апрацоўка натуральнай мовы для машыннага навучання.
Аднак у іншых выпадках пераважней імкнуцца да сціску сістэмы, каб паменшыць памер мадэлі пры захаванні дакладнасці і эфектыўнасці. Абрэзка нейронавай сеткі - гэта метад сціску, які ўключае выдаленне вагаў з вывучанай мадэлі. Разгледзім нейронавую сетку са штучным інтэлектам, якую навучылі адрозніваць людзей ад жывёл.
Карцінка будзе падзелена на яркую і цёмную часткі першым пластом нейронаў. Гэтыя дадзеныя будуць перададзены ў наступны пласт, які вызначыць, дзе знаходзяцца краю.
Наступны пласт паспрабуе распазнаць формы, якія спарадзіла камбінацыя краёў. Згодна з дадзенымі, на якіх ён быў падрыхтаваны, дадзеныя будуць праходзіць праз мноства слаёў падобным чынам, каб вызначыць, ці з'яўляецца прадстаўлены вамі малюнак чалавека ці жывёлы.
Калі дадзеныя перадаюцца ў нейронавую сетку, яна пачынае іх апрацоўваць. Пасля гэтага дадзеныя апрацоўваюцца праз свае ўзроўні, каб атрымаць жаданы вынік. Нейронавая сетка - гэта машына, якая вучыцца са структураванага ўводу і адлюстроўвае вынікі. Ёсць тры тыпу навучання, якія могуць праходзіць у нейронных сетках:
- Навучанне пад кантролем - Уваходы і выхады перадаюцца алгарытмам з выкарыстаннем маркіраваных дадзеных. Навучыўшыся аналізаваць дадзеныя, яны прагназуюць меркаваны вынік.
- Некантраляванае навучанне - ІНС вучыцца без дапамогі чалавека. Няма маркіраваных даных, і вынік вызначаецца шаблонамі, знойдзенымі ў выхадных дадзеных.
- Армаванне навучання калі сетка вучыцца на зваротнай сувязі, якую яна атрымлівае.
Як працуюць нейронныя сеткі?
Штучныя нейроны выкарыстоўваюцца ў нейронных сетках, якія ўяўляюць сабой складаныя сістэмы. Штучныя нейроны, таксама вядомыя як персептроны, складаюцца з наступных кампанентаў:
- уваход
- вага
- Зрушэнне
- Функцыя актывацыі
- выхад
Пласты нейронаў, якія складаюць нейронавыя сеткі. Нейронавая сетка складаецца з трох слаёў:
- Уваходны пласт
- Схаваны пласт
- Выхадны пласт
Дадзеныя ў выглядзе лікавага значэння адпраўляюцца на ўваходны пласт. Найбольшую колькасць вылічэнняў выконваюць скрытыя пласты сеткі. Выхадны пласт, не ў апошнюю чаргу, прагназуе вынік. Нейроны дамінуюць адзін над адным у нейронавай сетцы. Нейроны выкарыстоўваюцца для пабудовы кожнага пласта. Дадзеныя накіроўваюцца на схаваны пласт пасля таго, як іх атрымае ўваходны слой.
Да кожнага ўваходу прымяняюцца вагі. У схаваных пластах нейронавай сеткі вага - гэта значэнне, якое транслюе ўваходныя даныя. Функцыя вагаў шляхам множання ўваходных даных на значэнне вагі ва ўваходным пласце.
Затым ён запускае значэнне першага схаванага пласта. Уваходныя даныя трансфармуюцца і перадаюцца на іншы пласт праз схаваныя пласты. Выхадны пласт адказвае за генерацыю канчатковага выніку. Уводы і вагі перамнажаюцца, і вынік дастаўляецца нейронам схаванага пласта ў выглядзе сумы. Кожнаму нейрону даецца зрушэньне. Каб вылічыць агульную суму, кожны нейрон дадае ўваходныя дадзеныя, якія ён атрымлівае.
Пасля гэтага значэнне праходзіць праз функцыю актывацыі. Вынік функцыі актывацыі вызначае, актываваны нейрон ці не. Калі нейрон актыўны, ён адпраўляе інфармацыю іншым слаям. Дадзеныя ствараюцца ў сетцы, пакуль нейрон не дасягне выхаднога пласта з дапамогай гэтага метаду. Наперад распаўсюджванне - яшчэ адзін тэрмін для гэтага.
Тэхніка падачы даных ва ўваходны вузел і атрымання вываду праз вузел вываду вядомая як распаўсюджванне наперад. Калі ўваходныя даныя прымаюцца схаваным пластом, адбываецца распаўсюджванне ўперад. Ён апрацоўваецца ў адпаведнасці з функцыяй актывацыі, а затым перадаецца на выхад.
Вынік праецыруецца нейронам у выходным пласце з найбольшай верагоднасцю. Зваротнае распаўсюджванне адбываецца, калі вывад няправільны. Пры стварэнні нейронавай сеткі вагі ініцыялізуюцца для кожнага ўваходу. Зваротнае распаўсюджванне - гэта працэс карэкціроўкі вагі кожнага ўводу для памяншэння памылак і забеспячэння больш дакладнага вываду.
Тыпы нейронавых сетак
1. Персептрон
Мадэль персептрона Мінскага-Паперта з'яўляецца адной з самых простых і старажытных мадэляў нейронаў. Гэта найменшы блок нейронавай сеткі, які выконвае пэўныя вылічэнні, каб выявіць характарыстыкі або бізнес-аналітыку ва ўваходных дадзеных. Ён прымае ўзважаныя ўваходныя дадзеныя і прымяняе функцыю актывацыі, каб атрымаць канчатковы вынік. TLU (парогавая лагічная адзінка) — іншая назва персептрона.
Perceptron - гэта бінарны класіфікатар, які з'яўляецца сістэмай навучання пад наглядам, якая падзяляе дадзеныя на дзве групы. Лагічныя вароты такія як AND, OR і NAND могуць быць рэалізаваны з дапамогай персептронаў.
2. Нейронавая сетка ўперад
Самая базавая версія нейронавых сетак, у якой уваходныя даныя ідуць выключна ў адным кірунку, праходзіць праз штучныя нейронавыя вузлы і выходзіць праз вузлы вываду. Уваходныя і выходныя пласты прысутнічаюць у тых месцах, дзе схаваныя пласты могуць быць або не прысутнічаць. Зыходзячы з гэтага, іх можна ахарактарызаваць як аднаслаёвую або шматслаёвую нейронавую сетку з прамым зваротам.
Колькасць выкарыстоўваных слаёў вызначаецца складанасцю функцыі. Ён распаўсюджваецца толькі наперад у адным кірунку і не распаўсюджваецца назад. Тут вагі застаюцца нязменнымі. Уводы памнажаюцца на вагі, каб падаць функцыю актывацыі. Для гэтага выкарыстоўваецца функцыя актывацыі класіфікацыі або функцыя крокавай актывацыі.
3. Шматслаёвы персептрон
Увядзенне ў складаны нейронныя сеткі, у якім ўваходныя дадзеныя накіроўваюцца праз мноства слаёў штучных нейронаў. Гэта цалкам звязаная нейронавая сетка, бо кожны вузел звязаны з усімі нейронамі наступнага ўзроўню. Некалькі схаваных слаёў, г.зн., па меншай меры тры ці больш слаёў, прысутнічаюць ва ўваходных і выходных слаях.
Ён валодае двухнакіраваным распаўсюджваннем, што азначае, што ён можа распаўсюджвацца як наперад, так і назад. Уваходныя дадзеныя памнажаюцца на вагі і адпраўляюцца ў функцыю актывацыі, дзе яны змяняюцца шляхам зваротнага распаўсюджвання, каб мінімізаваць страты.
Прасцей кажучы, вагі - гэта значэнні, атрыманыя машынным шляхам ад нейронных сетак. У залежнасці ад неадпаведнасці паміж чаканымі выхадамі і ўкладамі навучання, яны саманастройваюцца. Softmax выкарыстоўваецца ў якасці функцыі актывацыі выхаднога ўзроўню пасля нелінейных функцый актывацыі.
4. Згортка нейронавая сетка
У адрозненне ад традыцыйнага двухмернага масіва, нейронная сетка згорткі мае трохмерную канфігурацыю нейронаў. Першы пласт вядомы як згортка. Кожны нейрон у звілінным пласце апрацоўвае інфармацыю толькі з абмежаванай часткі поля зроку. Як і фільтр, функцыі ўводу прымаюцца ў пакетным рэжыме.
Сетка разумее фатаграфіі ў раздзелах і можа выконваць гэтыя дзеянні некалькі разоў, каб завяршыць усю апрацоўку выявы.
Падчас апрацоўкі малюнак пераўтворыцца з RGB або HSI ў адценні шэрага. Далейшыя варыяцыі ў значэнні пікселяў дапамогуць у выяўленні краёў, і фатаграфіі можна сартаваць на некалькі груп. Аднанакіраванае распаўсюджванне адбываецца, калі CNN змяшчае адзін або некалькі згортковых слаёў з наступным аб'яднаннем, а двухнакіраванае распаўсюджванне адбываецца, калі выхадны пласт згорткі адпраўляецца ў цалкам падключаную нейронавую сетку для класіфікацыі малюнкаў.
Для вылучэння некаторых элементаў выявы выкарыстоўваюцца фільтры. У MLP ўваходы ўзважваюцца і паступаюць у функцыю актывацыі. RELU выкарыстоўваецца ў згортцы, у той час як MLP выкарыстоўвае нелінейную функцыю актывацыі з наступным softmax. У распазнаванні малюнкаў і відэа, семантычным аналізе і выяўленні парафраз згорткавыя нейронавыя сеткі даюць выдатныя вынікі.
5. Сетка радыяльнага зрушэння
Уваходны вектар суправаджаецца пластом нейронаў RBF і выхадным пластом з адным вузлом для кожнай катэгорыі ў сеткі радыяльных асноўных функцый. Увод класіфікуецца шляхам параўнання з кропкамі дадзеных з навучальнага набора, дзе кожны нейрон падтрымлівае прататып. Гэта адзін з прыкладаў трэнінгу.
Кожны нейрон разлічвае эўклідава адлегласць паміж уваходам і яго прататыпам, калі новы ўваходны вектар [n-мерны вектар, які вы спрабуеце класіфікаваць], павінен быць класіфікаваны. Калі ў нас ёсць два класы, клас A і клас B, новы ўваход, які трэба класіфікаваць, больш падобны на прататыпы класа A, чым на прататыпы класа B.
У выніку ён можа быць пазначаны або аднесены да класа А.
6. Рэкурэнтная нейронная сетка
Перыядычныя нейронавыя сеткі прызначаныя для захавання вываду пласта, а затым вяртання яго ва ўваход, каб дапамагчы прагназаваць вынік пласта. Падача наперад нейронных сеткі звычайна з'яўляецца пачатковым узроўнем, за якім ідзе перыядычны ўзровень нейроннай сеткі, дзе функцыя памяці запамінае частку інфармацыі, якую яна мела на папярэднім часавым этапе.
У гэтым сцэнары выкарыстоўваецца прамое распаўсюджванне. Гэта захоўвае дадзеныя, якія спатрэбяцца ў будучыні. У выпадку, калі прагноз няправільны, хуткасць навучання выкарыстоўваецца для ўнясення нязначных карэкціровак. У выніку, па меры зваротнага распаўсюджвання яно будзе станавіцца ўсё больш дакладным.
прыкладанняў
Нейронавыя сеткі выкарыстоўваюцца для апрацоўкі праблем з дадзенымі ў розных дысцыплінах; некаторыя прыклады паказаны ніжэй.
- Распазнаванне асоб - рашэнні для распазнавання асоб служаць эфектыўнымі сістэмамі назірання. Сістэмы распазнавання звязваюць лічбавыя фатаграфіі з чалавечымі тварамі. Яны выкарыстоўваюцца ў офісах для выбарчага ўваходу. Такім чынам, сістэмы правяраюць чалавечы твар і параўноўваюць яго са спісам ідэнтыфікатараў, якія захоўваюцца ў базе дадзеных.
- Прагноз акцый - Інвестыцыі схільныя рынкавым рызыкам. Практычна цяжка прадбачыць будучыя падзеі на надзвычай няўстойлівым фондавым рынку. Перад нейронавымі сеткамі пастаянна змяняюцца бычыныя і мядзведжыя фазы былі непрадказальнымі. Але што ўсё змяніла? Вядома, мы гаворым пра нейронныя сеткі... Шматслойны Perceptron MLP (тып сістэмы штучнага інтэлекту з прамым зваротам) выкарыстоўваецца для стварэння паспяховага прагнозу акцый у рэжыме рэальнага часу.
- сацыяльныя медыя – Як бы банальна гэта ні гучала, сацыяльныя сеткі змянілі штодзённы шлях існавання. Паводзіны карыстальнікаў сацыяльных сетак вывучаюцца з дапамогай штучных нейронных сетак. Для канкурэнтнага аналізу даныя, якія паступаюць штодня праз віртуальнае ўзаемадзеянне, назапашваюцца і вывучаюцца. Дзеянні карыстальнікаў сацыяльных сетак тыражаюцца нейронавымі сеткамі. Паводзіны асобных людзей можна звязаць з мадэлямі выдаткаў людзей, калі дадзеныя аналізуюцца праз сацыяльныя сеткі. Дадзеныя з прыкладанняў сацыяльных сетак здабываюцца з дапамогай Multilayer Perceptron ANN.
- Ахова здароўя. У сучасным свеце людзі выкарыстоўваюць перавагі тэхналогій у сферы аховы здароўя. У сферы аховы здароўя згортавыя нейронныя сеткі выкарыстоўваюцца для выяўлення рэнтгенаўскіх прамянёў, КТ і ультрагуку. Дадзеныя медыцынскай візуалізацыі, атрыманыя ў выніку вышэйзгаданых тэстаў, ацэньваюцца і ацэньваюцца з дапамогай мадэляў нейронавых сетак, паколькі CNN выкарыстоўваецца пры апрацоўцы малюнкаў. Пры распрацоўцы сістэм распазнавання голасу таксама выкарыстоўваецца рэкурэнтная нейронная сетка (RNN).
- Справаздача аб надвор'і - Да ўкаранення штучнага інтэлекту прагнозы метэаралагічнага аддзела ніколі не былі дакладнымі. Прагноз надвор'я ў асноўным робіцца для таго, каб прадказаць ўмовы надвор'я, якія будуць адбывацца ў будучыні. Прадказанні надвор'я выкарыстоўваюцца, каб прадбачыць верагоднасць стыхійных бедстваў у сучасны перыяд. Прагназаванне надвор'я ажыццяўляецца з дапамогай шматслаёвага персептрона (MLP), згортковых нейронавых сетак (CNN) і рэкурэнтных нейронавых сетак (RNN).
- Абарона - матэрыяльна-тэхнічнае забеспячэнне, аналіз узброенага нападу і месцазнаходжанне прадметаў - усё гэта выкарыстоўвае нейронавыя сеткі. Яны таксама працуюць у паветраным і марскім патруляванні, а таксама для кіравання аўтаномнымі беспілотнікамі. Штучны інтэлект дае абароннай прамысловасці гэтак неабходны імпульс, неабходны для пашырэння сваіх тэхналогій. Для выяўлення існавання падводных мін выкарыстоўваюцца згортка нейронныя сеткі (CNN).
перавагі
- Нават калі некалькі нейронаў нейронавай сеткі не працуюць належным чынам, нейронавыя сеткі ўсё роўна будуць генераваць выхады.
- Нейронавыя сеткі валодаюць здольнасцю вучыцца ў рэжыме рэальнага часу і адаптавацца да зменлівых налад.
- Нейронавыя сеткі могуць навучыцца выконваць розныя задачы. Каб забяспечыць правільны вынік на аснове прадстаўленых даных.
- Нейронавыя сеткі валодаюць сілай і здольнасцю выконваць некалькі задач адначасова.
недахопы
- Нейронавыя сеткі выкарыстоўваюцца для рашэння задач. У ім не раскрываецца тлумачэнне «чаму і як» з-за складанасці сетак. У выніку давер да сеткі можа быць падарваны.
- Кампаненты нейронавай сеткі ўзаемазалежныя адзін ад аднаго. Гэта значыць, нейронныя сеткі патрабуюць (або вельмі залежаць ад) кампутараў з дастатковай вылічальнай магутнасцю.
- Працэс нейронавай сеткі не мае канкрэтнага правіла (або эмпірычнага правіла). У тэхніцы спроб і памылак правільная структура сеткі ўсталёўваецца шляхам спробы аптымальнай сеткі. Гэта працэдура, якая патрабуе вялікай дапрацоўкі.
заключэнне
поле нейронавыя сеткі хутка пашыраецца. Вельмі важна вывучыць і зразумець паняцці ў гэтым сектары, каб мець магчымасць з імі змагацца.
Шматлікія тыпы нейронавых сетак былі разгледжаны ў гэтым артыкуле. Вы можаце выкарыстоўваць нейронавыя сеткі для вырашэння праблем з дадзенымі ў іншых галінах, калі вы даведаецеся больш аб гэтай дысцыпліне.
Пакінуць каментар