Artefarita Inteligenteco (AI) estis origine opiniita kiel fora sonĝo, teknologio por la estonteco, sed tio ne plu estas la kazo.
Kio iam estis esplortemo nun eksplodas en la reala mondo. AI nun troviĝas en diversaj lokoj, inkluzive de via laborejo, lernejo, bankado, hospitaloj kaj eĉ via telefono.
Ili estas la okuloj de memveturaj veturiloj, la voĉoj de Siri kaj Alexa, la mensoj malantaŭ veterprognozo, la manoj malantaŭ robot-helpata kirurgio, kaj pli.
Artefarita inteligento (AI) fariĝas ordinara trajto de la moderna vivo. En la lastaj kelkaj jaroj, AI aperis kiel grava ludanto en larĝa gamo de IT-teknologioj.
Fine, la neŭrala reto estas uzata de AI por lerni novajn aferojn.
Do hodiaŭ ni lernos pri Neŭralaj Retoj, kiel ĝi funkcias, iliaj specoj, aplikoj kaj multe pli.
Kio estas Neŭrala Reto?
In maŝinlernado, neŭrala reto estas program-programita reto de artefaritaj neŭronoj. Ĝi provas imiti la homan cerbon havante multajn tavolojn de "neŭronoj", kiuj estas similaj al la neŭronoj en nia cerbo.
La unua tavolo de neŭronoj akceptos fotojn, filmetojn, sonojn, tekstojn kaj aliajn enigojn. Ĉi tiuj datumoj fluas tra ĉiuj niveloj, kun la eligo de unu tavolo fluas en la sekvan. Ĉi tio estas kritika por la plej malfacilaj taskoj, kiel natura lingvopretigo por maŝinlernado.
Tamen, en aliaj kazoj, celi sistemkunpremadon por redukti modelgrandecon konservante precizecon kaj efikecon estas preferinda. Tondi neŭralan reton estas kunprema metodo, kiu inkluzivas forigi pezojn de lernita modelo. Konsideru artefaritan inteligentecan neŭralan reton, kiu estis trejnita por distingi homojn de bestoj.
La bildo estos dividita en brilajn kaj malhelajn partojn per la unua tavolo de neŭronoj. Ĉi tiuj datumoj estos transdonitaj en la sekvan tavolon, kiu determinos kie estas la randoj.
La sekva tavolo provos rekoni la formojn, kiujn generis la kombinaĵo de la randoj. Laŭ la datumoj, sur kiuj ĝi estis trejnita, la datumoj trapasos multajn tavolojn en simila maniero por determini ĉu la bildo, kiun vi prezentis, estas de homo aŭ besto.
Kiam datumoj estas donitaj en neŭralan reton, ĝi komencas prilabori ĝin. Post tiam, la datumoj estas prilaboritaj per siaj niveloj por akiri la deziratan rezulton. Neŭrala reto estas maŝino kiu lernas de strukturita enigo kaj montras la rezultojn. Ekzistas tri specoj de lernado kiu povas okazi en neŭralaj retoj:
- Kontrolita Lernado - Enigaĵoj kaj eliroj ricevas al la algoritmoj uzante etikeditajn datenojn. Post instruado kiel analizi datumojn, ili antaŭvidas la celitan rezulton.
- Nekontrolita Lernado - ANN lernas sen la asistado de homo. Ne estas etikeditaj datumoj, kaj la eligo estas decidita de ŝablonoj trovitaj en la eligo-datumoj.
- Plifortiga Lernado estas kiam reto lernas de la sugestoj kiujn ĝi ricevas.
Kiel funkcias Neŭralaj retoj?
Artefaritaj neŭronoj estas uzitaj en neŭralaj retoj, kiuj estas sofistikaj sistemoj. La artefaritaj neŭronoj, ankaŭ konataj kiel perceptronoj, konsistas el la sekvaj komponentoj:
- Eniro
- Pezo
- emo
- Aktiviga Funkcio
- eligon
La tavoloj de neŭronoj kiuj konsistigas neŭrajn retojn. Neŭrala reto konsistas el tri tavoloj:
- Eniga tavolo
- Kaŝita tavolo
- Eliga tavolo
Datumoj en formo de nombra valoro estas senditaj al la eniga tavolo. La kaŝitaj tavoloj de la reto estas tiuj, kiuj faras la plej multajn kalkulojn. La eliga tavolo, laste sed ne malplej, antaŭvidas la rezulton. Neŭronoj regas unu la alian en neŭrala reto. Neŭronoj estas uzataj por konstrui ĉiun tavolon. Datumoj estas direktitaj al la kaŝita tavolo post kiam la eniga tavolo ricevas ĝin.
Pezoj estas aplikataj al ĉiu enigo. Ene de la kaŝitaj tavoloj de neŭrala reto, la pezo estas valoro, kiu tradukas envenantajn datumojn. Pezoj funkcias multobligante enigajn datumojn per la pezvaloro en la eniga tavolo.
Ĝi tiam komencas la valoron de la unua kaŝita tavolo. La eniga datumoj estas transformitaj kaj pasitaj al la alia tavolo per la kaŝitaj tavoloj. La produktaĵtavolo respondecas pri generado de la fina rezulto. La enigaĵoj kaj pezoj estas multobligitaj, kaj la rezulto estas liverita al la kaŝitaj tavolneŭronoj kiel sumo. Ĉiu neŭrono ricevas biason. Por kalkuli la totalon, ĉiu neŭrono aldonas la enigaĵojn kiujn ĝi ricevas.
Post tio, la valoro pasas per la aktiviga funkcio. La rezulto de la aktiviga funkcio determinas ĉu aŭ ne neŭrono estas aktivigita. Kiam neŭrono estas aktiva, ĝi sendas informojn al la aliaj tavoloj. La datumoj estas kreitaj en la reto ĝis la neŭrono atingas la produktaĵtavolon uzante ĉi tiun metodon. Antaŭen disvastigo estas alia termino por ĉi tio.
La tekniko de nutrado de datenoj en enignodon kaj akirado de la produktaĵo tra produktaĵnodo estas konata kiel furaĝ-antaŭa disvastigo. Kiam la enigdatenoj estas akceptitaj de la kaŝita tavolo, okazas antaŭenira disvastigo. Ĝi estas prilaborita laŭ la aktiviga funkcio kaj poste transdonita al la eligo.
La rezulto estas projekciita de la neŭrono en la produktaĵtavolo kun la plej alta probableco. Malantaŭa disvastigo okazas kiam la eligo estas malĝusta. Pezoj estas pravigitaj al ĉiu enigo dum kreado de neŭrala reto. Malantaŭdisvastigo estas la procezo reĝustigi la pezojn de ĉiu enigo por redukti erarojn kaj disponigi pli precizan produktaĵon.
Tipoj de Neŭrala Reto
1. Perceptron
La Minsky-Papert perceptron-modelo estas unu el la plej simplaj kaj plej malnovaj neŭronmodeloj. Ĝi estas la plej malgranda unuo de neŭrala reto, kiu faras iujn kalkulojn por malkovri trajtojn aŭ komercan inteligentecon en envenantaj datumoj. Ĝi prenas pezbalancitajn enigojn kaj aplikas la aktivigan funkcion por akiri la finan rezulton. TLU (sojla logika unuo) estas alia nomo por perceptron.
Perceptron estas binara klasigilo kiu estas kontrolita lernsistemo kiu dividas datumojn en du grupojn. Logikaj Pordegoj kiel KAJ, AŬ, kaj NAND povas esti efektivigitaj per perceptronoj.
2. Feed-Forward Neŭrala Reto
La plej baza versio de neŭralaj retoj, en kiuj enirdatenoj fluas ekskluzive en unu direkto, pasas per artefaritaj neŭralaj nodoj kaj elirante tra produktaĵnodoj. Eniga kaj eligo tavoloj ĉeestas en lokoj kie kaŝitaj tavoloj povas aŭ eble ne ĉeestas. Ili povas esti karakterizitaj kiel aŭ unutavola aŭ plurtavola furaĝa neŭrala reto bazita sur tio.
La nombro da tavoloj uzataj estas determinita de la komplekseco de la funkcio. Ĝi nur disvastiĝas antaŭen en unu direkto kaj ne disvastiĝas malantaŭen. Ĉi tie, la pezoj restas konstantaj. Enigaĵoj estas multobligitaj per pezoj por nutri aktivigan funkcion. Klasifika aktiviga funkcio aŭ paŝa aktiviga funkcio estas uzata por fari tion.
3. Plurtavola perceptrono
Enkonduko al kompleksa neŭralaj retoj, en kiu enirdatenoj estas senditaj per multaj tavoloj de artefaritaj neŭronoj. Ĝi estas tute ligita neŭrala reto, ĉar ĉiu nodo estas konektita al ĉiuj neŭronoj en la sekva tavolo. Multoblaj kaŝitaj tavoloj, t.e. almenaŭ tri aŭ pli da tavoloj, ĉeestas en la eniga kaj eligotavoloj.
Ĝi posedas dudirektan disvastigon, kio signifas ke ĝi povas disvastigi kaj antaŭen kaj malantaŭen. Enigaĵoj estas multobligitaj per pezoj kaj senditaj al la aktiviga funkcio, kie ili estas ŝanĝitaj per malantaŭa disvastigo por minimumigi la perdon.
Pezoj estas maŝinlernitaj valoroj de Neŭralaj Retoj, por diri simple. Depende de la malegaleco inter atendataj produktaĵoj kaj trejnaj enigaĵoj, ili mem-ĝustigas. Softmax estas uzata kiel produktaĵtavola aktiviga funkcio post neliniaj aktivigaj funkcioj.
4. Konvolucia Neŭrala Reto
Kontraste al la tradicia dudimensia aro, kunvolucia neŭrala reto havas tridimensian konfiguracion de neŭronoj. La unua tavolo estas konata kiel konvolucia tavolo. Ĉiu neŭrono en la konvolucia tavolo nur prilaboras informojn de limigita parto de la vida kampo. Kiel filtrilo, eniga funkcioj estas prenitaj en bata reĝimo.
La reto komprenas bildojn en sekcioj kaj povas plenumi ĉi tiujn agojn multfoje por fini la tutan bildtraktadon.
La bildo estas konvertita de RGB aŭ HSI al grizskalo dum prilaborado. Pliaj varioj en piksela valoro helpos en detektado de randoj, kaj bildoj povas esti ordigitaj en plurajn grupojn. Unudirekta disvastigo okazas kiam CNN enhavas unu aŭ plurajn konvoluciajn tavolojn sekvitajn per kunigo, kaj dudirekta disvastigo okazas kiam la produktado de la konvolucia tavolo estas sendita al plene ligita neŭrala reto por bildklasifiko.
Por ĉerpi certajn elementojn de bildo, filtriloj estas utiligitaj. En MLP, la enigaĵoj estas pezbalancitaj kaj liveritaj en la aktivigfunkcion. RELU estas uzita en konvolucio, dum MLP utiligas nelinian aktivigfunkcion sekvitan per softmax. En bilda kaj videa rekono, semantika analizado kaj parafraza detekto, konvoluciaj neŭralaj retoj produktas bonegajn rezultojn.
5. Radiala Biasa Reto
Enigvektoro estas sekvita per tavolo de RBF-neŭronoj kaj produktaĵtavolo kun unu nodo por ĉiu kategorio en Radial Basis Function Network. La enigaĵo estas klasifikita komparante ĝin kontraŭ datenpunktoj de la trejna aro, kie ĉiu neŭrono konservas prototipon. Ĉi tiu estas unu el la ekzemploj de la trejnado.
Ĉiu neŭrono kalkulas la eŭklidan distancon inter la enigaĵo kaj ĝia prototipo kiam freŝa enigvektoro [la n-dimensia vektoro, kiun vi provas kategoriigi], devas esti klasita. Se ni havas du klasojn, Klaso A kaj Klaso B, la nova enigo kategorienda estas pli simila al klaso A prototipoj ol klaso B prototipoj.
Kiel rezulto, ĝi povus esti etikedita aŭ kategoriigita kiel klaso A.
6. Ripetiĝanta Neŭrala Reto
Ripetantaj Neŭralaj Retoj estas dezajnitaj por konservi la eligon de tavolo kaj poste reenpostenigi ĝin en la enigaĵon por helpi prognozi la rezulton de la tavolo. Antaŭenigo Neŭra reto estas kutime la komenca tavolo, sekvita per ripetiĝanta neŭrala retotavolo, kie memorfunkcio memoras parton de la informoj kiujn ĝi havis en la antaŭa tempopaŝo.
Ĉi tiu scenaro uzas antaŭen disvastigon. Ĝi ŝparas datumojn, kiuj estos bezonataj en la estonteco. En la okazo, ke la antaŭdiro estas malĝusta, la lernado estas uzata por fari malgrandajn ĝustigojn. Kiel rezulto, dum la malantaŭa disvastigo progresas, ĝi fariĝos ĉiam pli preciza.
aplikaĵoj
Neŭralaj retoj estas uzataj por trakti datenproblemojn en diversaj disciplinoj; iuj ekzemploj estas montritaj malsupre.
- Vizaĝa Rekono - Vizaĝaj Rekonaj Solvoj funkcias kiel efikaj gvatsistemoj. Rekonsistemoj rilatas ciferecajn fotojn al homaj vizaĝoj. Ili estas uzataj en oficejoj por selektema eniro. Tiel, la sistemoj kontrolas homan vizaĝon kaj komparas ĝin kun listo de identigiloj stokitaj en ĝia datumbazo.
- Provizo de Provizo - Investoj estas elmontritaj al merkataj riskoj. Estas preskaŭ malfacile antaŭvidi estontajn evoluojn en la ekstreme volatila borso. Antaŭ neŭralaj retoj, la konstante ŝanĝiĝantaj alcistaj kaj bajistaj fazoj estis neantaŭvideblaj. Sed, kio ŝanĝis ĉion? Kompreneble, ni parolas pri neŭralaj retoj... Multilayer Perceptron MLP (speco de feedforward artefarita inteligenteco sistemo) estas uzata por krei sukcesan stokprognozon en reala tempo.
- socia Amaskomunikilaro – Sendepende de kiom kurioza ĝi povas soni, sociaj amaskomunikiloj ŝanĝis la sekularan vojon de ekzisto. La konduto de uzantoj de sociaj amaskomunikiloj estas studata per Artefaritaj Neŭralaj Retoj. Por konkurenciva analizo, datumoj liveritaj ĉiutage per virtualaj interagoj estas amasigitaj kaj ekzamenitaj. La agoj de uzantoj de sociaj amaskomunikiloj estas reproduktitaj de neŭralaj retoj. La kondutoj de individuoj povas esti konektitaj al la elspezpadronoj de homoj post kiam datumoj estas analizitaj per sociaj retoj. Datumoj de sociaj amaskomunikiloj estas elminitaj uzante Multilayer Perceptron ANN.
- Sanservo - Individuoj en la hodiaŭa mondo uzas la avantaĝojn de teknologio en la sanindustrio. En la kuracista komerco, Konvoluciaj Neŭralaj Retoj estas uzataj por Rentgenfota detekto, CT-skanadoj kaj ultrasono. La medicinaj bildigaj datumoj ricevitaj de la menciitaj testoj estas taksitaj kaj taksitaj per modeloj de neŭralaj reto, ĉar CNN estas uzata en bildprilaborado. En la evoluo de voĉrekonsistemoj, la ripetiĝanta neŭrala reto (RNN) ankaŭ estas uzita.
- Veterraporto - Antaŭ la efektivigo de artefarita inteligenteco, la projekcioj de la meteologia sekcio neniam estis precizaj. Veterprognozo estas farita plejparte por antaŭdiri la vetercirkonstancojn kiuj okazos en la estonteco. Veterprognozoj estas utiligitaj por antaŭvidi la probablecon de naturaj katastrofoj en la moderna periodo. Veterprognozo estas farita per plurtavola perceptrono (MLP), konvoluciaj neŭralaj retoj (CNN), kaj ripetiĝantaj neŭralaj retoj (RNN).
- Defendo - Loĝistiko, armita atakanalizo kaj objektoloko ĉiuj utiligas neŭralajn retojn. Ili ankaŭ estas dungitaj en aeraj kaj maraj patroloj, kaj ankaŭ por administri aŭtonomiajn virabelojn. Artefarita inteligenteco donas al la defenda industrio la tre bezonatan akcelon, kiun ĝi bezonas por pligrandigi sian teknologion. Por detekti la ekziston de subakvaj minoj, Convolutional Neural Networks (CNN) estas uzataj.
Avantaĝoj
- Eĉ se kelkaj neŭronoj en neŭrala reto ne funkcias ĝuste, la neŭralaj retoj ankoraŭ generos produktaĵojn.
- Neŭralaj retoj havas la kapablon lerni en reala tempo kaj adaptiĝi al siaj ŝanĝiĝantaj agordoj.
- Neŭralaj retoj povas lerni fari diversajn taskojn. Provizi la ĝustan rezulton surbaze de la donitaj datumoj.
- Neŭralaj retoj havas la forton kaj kapablon trakti plurajn taskojn samtempe.
malavantaĝoj
- Neŭralaj retoj estas uzataj por solvi problemojn. Ĝi ne malkaŝas la klarigon malantaŭ "kial kaj kiel" ĝi faris la juĝojn, kiujn ĝi faris pro la komplikaĵo de la retoj. Kiel rezulto, retfido povas esti eroziita.
- La komponentoj de neŭrala reto estas interdependaj unu de la alia. Tio estas, neŭralaj retoj postulas (aŭ estas ekstreme dependaj de) komputiloj kun sufiĉa komputa potenco.
- Neŭrala retoprocezo havas neniun specifan regulon (aŭ regulon). En provo-kaj-erara tekniko, ĝusta retostrukturo estas establita provante la optimuman reton. Ĝi estas proceduro, kiu postulas multan fajnagordon.
konkludo
La kampo de Neŭraj retoj rapide vastiĝas. Estas grave lerni kaj kompreni la konceptojn en ĉi tiu sektoro por povi trakti ilin.
La multaj specoj de neŭralaj retoj estis kovritaj en ĉi tiu artikolo. Vi povas uzi neŭralajn retojn por trakti datumproblemojn en aliaj kampoj se vi lernas pli pri ĉi tiu disciplino.
Lasi Respondon