Introduktion til neurale netværk

Artificial Intelligence (AI) blev oprindeligt anset for at være en fjern drøm, en teknologi for fremtiden, men det er ikke længere tilfældet.

Det, der engang var et forskningsemne, eksploderer nu i den virkelige verden. AI findes nu en række forskellige steder, herunder din arbejdsplads, skole, bank, hospitaler og endda din telefon.

De er øjnene på selvkørende køretøjer, Siris og Alexas stemmer, tankerne bag vejrudsigten, hænderne bag robotassisteret kirurgi og mere.

Kunstig intelligens (AI) er ved at blive et almindeligt træk ved det moderne liv. I de sidste mange år har kunstig intelligens opstået som en vigtig aktør inden for en lang række it-teknologier.

Endelig bruges det neurale netværk af AI til at lære nye ting.

Så i dag vil vi lære om neurale netværk, hvordan det fungerer, deres typer, applikationer og meget mere.

Hvad er neuralt netværk?

In machine learning, et neuralt netværk er et softwareprogrammeret netværk af kunstige neuroner. Den forsøger at efterligne den menneskelige hjerne ved at have adskillige lag af "neuroner", som ligner neuronerne i vores hjerne.

Det første lag af neuroner vil acceptere fotos, video, lyd, tekst og andre input. Disse data flyder gennem alle niveauerne, hvor det ene lags output flyder ind i det næste. Dette er afgørende for de sværeste opgaver, såsom naturlig sprogbehandling til maskinlæring.

I andre tilfælde er det dog at foretrække at sigte efter systemkomprimering for at reducere modelstørrelsen og samtidig bevare nøjagtigheden og effektiviteten. Beskæring af et neuralt netværk er en kompressionsmetode, der omfatter fjernelse af vægte fra en lært model. Overvej et kunstig intelligens neuralt netværk, der er blevet trænet til at skelne mennesker fra dyr.

Billedet vil blive opdelt i lyse og mørke dele af det første lag af neuroner. Disse data vil blive videregivet til det følgende lag, som bestemmer, hvor kanterne er.

Det næste lag vil forsøge at genkende de former, som kanternes kombination har genereret. Ifølge de data, det blev trænet på, vil dataene passere gennem adskillige lag på en lignende måde for at afgøre, om det billede, du præsenterede, er af et menneske eller et dyr.

Når data gives til et neuralt netværk, begynder det at behandle det. Derefter behandles dataene via dets niveauer for at få det ønskede resultat. Et neuralt netværk er en maskine, der lærer af struktureret input og viser resultaterne. Der er tre typer læring, der kan finde sted i neurale netværk:

• Overvåget læring – Input og output gives til algoritmerne ved hjælp af mærkede data. Efter at være blevet undervist i at analysere data, forudsiger de det tilsigtede resultat.
• Uovervåget læring - En ANN lærer uden hjælp fra et menneske. Der er ingen mærkede data, og outputtet bestemmes af mønstre fundet i outputdataene.
• Forstærkningslæring er, når et netværk lærer af den feedback, det modtager.

Hvordan fungerer neurale netværk?

Kunstige neuroner bruges i neurale netværk, som er sofistikerede systemer. De kunstige neuroner, også kendt som perceptroner, består af følgende komponenter:

• Input
• Vægt
• Bias
• Aktiveringsfunktion
• Produktion

Lagene af neuroner, der udgør neurale netværk. Et neuralt netværk består af tre lag:

1. Input lag
2. Skjult lag
3. Outputlag

Data i form af en numerisk værdi sendes til inputlaget. Netværkets skjulte lag er dem, der laver flest beregninger. Sidst men ikke mindst forudsiger outputlaget resultatet. Neuroner dominerer hinanden i et neuralt netværk. Neuroner bruges til at konstruere hvert lag. Data dirigeres til det skjulte lag, efter inputlaget har modtaget det.

Der anvendes vægte på hvert input. Inden for de skjulte lag af et neuralt netværk er vægten en værdi, der oversætter indgående data. Vægte fungerer ved at gange inputdata med vægtværdien i inputlaget.

Det starter derefter det første skjulte lags værdi. Inputdataene transformeres og sendes til det andet lag via de skjulte lag. Outputlaget er ansvarlig for at generere det endelige resultat. Input og vægte multipliceres, og resultatet leveres til de skjulte lags neuroner som en sum. Hver neuron får en bias. For at beregne totalen tilføjer hver neuron de input, den modtager.

Derefter passerer værdien via aktiveringsfunktionen. Resultatet af aktiveringsfunktionen bestemmer, om en neuron er aktiveret eller ej. Når en neuron er aktiv, sender den information til de andre lag. Dataene skabes i netværket, indtil neuronen når outputlaget ved hjælp af denne metode. Fremadrettet udbredelse er en anden betegnelse for dette.

Teknikken til at føre data ind i en input-node og opnå output gennem en output-node er kendt som feed-forward-udbredelse. Når inputdata accepteres af det skjulte lag, sker feed-forward-udbredelse. Den behandles i henhold til aktiveringsfunktionen og sendes derefter til udgangen.

Resultatet projiceres af neuronen i outputlaget med størst sandsynlighed. Backpropagation opstår, når outputtet er forkert. Vægte initialiseres til hver input, mens der skabes et neuralt netværk. Backpropagation er processen med at justere vægten af ​​hvert input for at reducere fejl og give et mere nøjagtigt output.

Typer af neurale netværk

1. Perceptron

Minsky-Papert perceptronmodellen er en af ​​de enkleste og ældste neuronmodeller. Det er den mindste enhed i et neuralt netværk, der udfører visse beregninger for at opdage karakteristika eller forretningsintelligens i indgående data. Det tager vægtede input og anvender aktiveringsfunktionen for at få det endelige resultat. TLU (threshold logic unit) er et andet navn for perceptron.

Perceptron er en binær klassifikator, der er et overvåget læringssystem, der opdeler data i to grupper. Logiske porte såsom AND, OR og NAND kan implementeres med perceptroner.

2. Feed-Forward Neural Network

Den mest basale version af neurale netværk, hvor inputdata udelukkende flyder i én retning, passerer via kunstige neurale noder og går ud gennem output noder. Input- og outputlag er til stede på steder, hvor skjulte lag kan være til stede eller ikke. De kan karakteriseres som enten et enkeltlags eller flerlags feed-forward neuralt netværk baseret på dette.

Antallet af anvendte lag bestemmes af funktionens kompleksitet. Den forplanter sig kun fremad i én retning og forplanter sig ikke baglæns. Her forbliver vægtene konstante. Input ganges med vægte for at føde en aktiveringsfunktion. En klassifikationsaktiveringsfunktion eller en trinaktiveringsfunktion bruges til at gøre dette.

3. Flerlagsperceptron

En introduktion til sofistikeret neurale net, hvor inputdata dirigeres via mange lag af kunstige neuroner. Det er et fuldstændigt forbundet neuralt netværk, da hver knude er forbundet med alle neuroner i det følgende lag. Flere skjulte lag, dvs. mindst tre eller flere lag, er til stede i input- og outputlagene.

Den besidder tovejs udbredelse, hvilket betyder, at den kan forplante sig både fremad og bagud. Input ganges med vægte og sendes til aktiveringsfunktionen, hvor de ændres via backpropagation for at minimere tabet.

Vægte er maskinlærte værdier fra Neurale netværk, for at sige det enkelt. Afhængigt af forskellen mellem forventede output og træningsinput, justerer de sig selv. Softmax bruges som en outputlagsaktiveringsfunktion efter ikke-lineære aktiveringsfunktioner.

4. Konvolutionelt neuralt netværk

I modsætning til det traditionelle todimensionelle array har et foldningsneuralt netværk en tredimensionel konfiguration af neuroner. Det første lag er kendt som et foldningslag. Hver neuron i det foldede lag behandler kun information fra en begrænset del af synsfeltet. Som et filter tages inputfunktioner i batch-tilstand.

Netværket forstår billeder i sektioner og kan udføre disse handlinger adskillige gange for at afslutte hele billedbehandlingen.

Billedet konverteres fra RGB eller HSI til gråtoner under behandlingen. Yderligere variationer i pixelværdi vil hjælpe med at opdage kanter, og billeder kan sorteres i flere grupper. Ensrettet udbredelse opstår, når en CNN indeholder et eller flere foldningslag efterfulgt af pooling, og tovejsudbredelse sker, når outputtet fra foldningslaget sendes til et fuldt tilsluttet neuralt netværk til billedklassificering.

For at udtrække visse elementer af et billede, bruges filtre. I MLP vægtes indgangene og tilføres aktiveringsfunktionen. RELU bruges i foldning, mens MLP anvender en ikke-lineær aktiveringsfunktion efterfulgt af softmax. Inden for billed- og videogenkendelse, semantisk parsing og parafrasedetektion giver foldede neurale netværk fremragende resultater.

5. Radial Bias Network

En inputvektor efterfølges af et lag af RBF-neuroner og et outputlag med en node for hver kategori i et Radial Basis Function Network. Inputtet klassificeres ved at sammenligne det med datapunkter fra træningssættet, hvor hver neuron vedligeholder en prototype. Dette er et af træningssættets eksempler.

Hver neuron beregner den euklidiske afstand mellem inputtet og dets prototype, når en frisk inputvektor [den n-dimensionelle vektor, du forsøger at kategorisere] skal klassificeres. Hvis vi har to klasser, klasse A og klasse B, ligner det nye input, der skal kategoriseres, mere klasse A-prototyper end klasse B-prototyper.

Som et resultat kan det være mærket eller kategoriseret som klasse A.

6. Tilbagevendende neuralt netværk

Tilbagevendende neurale netværk er designet til at gemme et lags output og derefter føre det tilbage til inputtet for at hjælpe med at forudsige lagets udfald. En feed-forward neurale netværk er normalt det indledende lag, efterfulgt af et tilbagevendende neuralt netværkslag, hvor en hukommelsesfunktion husker en del af den information, den havde i det foregående tidstrin.

Dette scenarie bruger fremadrettet udbredelse. Det gemmer data, der bliver brug for i fremtiden. I tilfælde af, at forudsigelsen er forkert, bruges indlæringshastigheden til at foretage mindre justeringer. Som følge heraf, efterhånden som tilbagepropageringen skrider frem, vil den blive mere og mere nøjagtig.

Applikationer

Neurale netværk bruges til at håndtere dataproblemer i en række forskellige discipliner; nogle eksempler er vist nedenfor.

1. Ansigtsgenkendelse – Ansigtsgenkendelsesløsninger fungerer som effektive overvågningssystemer. Genkendelsessystemer relaterer digitale fotos til menneskelige ansigter. De bruges på kontorer til selektiv adgang. Systemerne verificerer således et menneskeligt ansigt og sammenligner det med en liste over ID'er, der er gemt i dets database.
2. Aktieforudsigelse – Investeringer er udsat for markedsrisici. Det er praktisk talt svært at forudse den fremtidige udvikling på det ekstremt volatile aktiemarked. Før neurale netværk var de konstant skiftende bullish og bearish faser uforudsigelige. Men hvad ændrede alt? Selvfølgelig taler vi om neurale netværk... Et Multilayer Perceptron MLP (en type feedforward kunstig intelligens-system) bruges til at skabe en succesfuld aktieprognose i realtid.
3. Sociale medier - Uanset hvor corny det kan lyde, har sociale medier ændret den verdslige vej til eksistens. De sociale mediers adfærd studeres ved hjælp af kunstige neurale netværk. Til konkurrenceanalyse stables data, der leveres dagligt via virtuelle interaktioner, op og undersøges. De sociale mediers handlinger gentages af neurale netværk. Enkeltpersoners adfærd kan forbindes med folks forbrugsmønstre, når data først er analyseret via sociale medier. Data fra sociale medieapplikationer udvindes ved hjælp af Multilayer Perceptron ANN.
4. Sundhedspleje – Individer i dagens verden gør brug af teknologiens fordele i sundhedssektoren. I sundhedssektoren bruges Convolutional Neural Networks til røntgendetektion, CT-scanninger og ultralyd. De medicinske billeddata, der modtages fra de førnævnte tests, evalueres og vurderes ved hjælp af neurale netværksmodeller, da CNN bruges i billedbehandling. I udviklingen af ​​stemmegenkendelsessystemer bruges også det recurrent neurale netværk (RNN).
5. Vejrrapport – Før implementeringen af ​​kunstig intelligens var meteorologisk afdelings fremskrivninger aldrig præcise. Vejrudsigter udføres i vid udstrækning for at forudsige de vejrforhold, der vil forekomme i fremtiden. Vejrudsigter bliver brugt til at forudse sandsynligheden for naturkatastrofer i den moderne periode. Vejrudsigter udføres ved hjælp af multilayer perceptron (MLP), convolutional neurale netværk (CNN) og recurrent neurale netværk (RNN).
6. Forsvar – Logistik, analyse af væbnet overfald og vareplacering anvender alle neurale netværk. De er også ansat i luft- og søpatruljer samt til at styre autonome droner. Kunstig intelligens giver forsvarsindustrien det tiltrængte løft, den har brug for for at opskalere sin teknologi. Til at opdage eksistensen af ​​undervandsminer bruges Convolutional Neural Networks (CNN).

Fordele 

• Selvom nogle få neuroner i et neuralt netværk ikke fungerer korrekt, vil de neurale netværk stadig generere output.
• Neurale netværk har evnen til at lære i realtid og tilpasse sig deres skiftende indstillinger.
• Neurale netværk kan lære at udføre en række forskellige opgaver. At give det korrekte resultat baseret på de angivne data.
• Neurale netværk har styrken og evnen til at håndtere flere opgaver på samme tid.

Ulemper 

• Neurale netværk bruges til at løse problemer. Den afslører ikke forklaringen bag "hvorfor og hvordan" den foretog de domme, den gjorde på grund af netværkenes indviklede. Som følge heraf kan netværkstilliden blive udhulet. 
• Et neuralt netværks komponenter er indbyrdes afhængige af hinanden. Det vil sige, at neurale netværk kræver (eller er ekstremt afhængige af) computere med tilstrækkelig computerkraft.
• En neural netværksproces har ingen specifik regel (eller tommelfingerregel). I en trial-and-error-teknik etableres en korrekt netværksstruktur ved at forsøge det optimale netværk. Det er en procedure, der kræver meget finjustering.

Konklusion

Field of neurale netværk udvider sig hurtigt. Det er afgørende at lære og forstå begreberne i denne sektor for at kunne håndtere dem.

De mange typer af neurale netværk er blevet dækket i denne artikel. Du kan bruge neurale netværk til at tackle dataproblemer på andre områder, hvis du lærer mere om denne disciplin.