Table of Contents[Hūnā][Hōʻike]
Aia ka wā e hiki mai ana. A, i kēia wā e hiki mai ana, hoʻomaopopo nā mīkini i ka honua a puni lākou e like me ka hana a ka poʻe. Hiki i nā kamepiula ke hoʻokele i nā kaʻa, ʻike i nā maʻi, a wānana pololei i ka wā e hiki mai ana.
Ua like paha kēia me he moʻolelo ʻepekema, akā ke hoʻokō nei nā kumu hoʻohālike hohonu.
Ke hōʻike nei kēia mau algorithms paʻakikī i nā mea huna o ʻimi hoʻopunipuni manao, e ʻae ana i nā kamepiula e aʻo iā ia iho a hoʻomohala. Ma kēia pou, e ʻimi mākou i ke ʻano o nā kumu hoʻohālike hohonu.
A, e noiʻi mākou i ka nui o kā lākou hiki ke hoʻololi i ko mākou ola. E hoʻomākaukau e aʻo e pili ana i ka ʻenehana hou e hoʻololi nei i ka wā e hiki mai ana o ke kanaka.
He aha nā ʻano hoʻohālike aʻo hohonu?
Ua pāʻani paha ʻoe i kahi pāʻani āu e ʻike ai i nā ʻokoʻa ma waena o nā kiʻi ʻelua?
He leʻaleʻa naʻe, hiki ke paʻakikī, ʻeā? E noʻonoʻo e hiki iā ʻoe ke aʻo i kahi kamepiula e pāʻani i kēlā pāʻani a lanakila i kēlā me kēia manawa. Hoʻokō nā kumu hoʻohālike hohonu i kēlā!
ʻO nā hiʻohiʻona hoʻonaʻauao hohonu e like me nā mīkini super-smart e hiki ke nānā i ka nui o nā kiʻi a hoʻoholo i nā mea like. Hoʻokō lākou i kēia ma ka wehe ʻana i nā kiʻi a me ke aʻo ʻana i kēlā me kēia.
A laila hoʻohana lākou i nā mea a lākou i aʻo ai e ʻike i nā mamana a hana i nā wānana e pili ana i nā kiʻi hou a lākou i ʻike ʻole ai ma mua.
ʻO nā hiʻohiʻona hoʻonaʻauao hohonu nā ʻupena neural artificial e hiki ke aʻo a unuhi i nā ʻano paʻakikī a me nā hiʻohiʻona mai nā ʻikepili nui. Hana ʻia kēia mau hiʻohiʻona i kekahi mau papa o nā nodes i hoʻopili ʻia, a i ʻole nā neuron, e nānā a hoʻololi i ka ʻikepili e hiki mai ana e hoʻopuka i kahi puka.
Ua kūpono nā kumu hoʻohālike hohonu i nā hana e koi ana i ka pololei a me ka pololei, e like me ka ʻike kiʻi, ka ʻike ʻōlelo, ka hoʻoponopono ʻōlelo kūlohelohe, a me nā robotics.
Ua hoʻohana ʻia lākou i nā mea āpau mai nā kaʻa kaʻa kaʻa ponoʻī a i nā diagnostics olakino, nā ʻōnaehana paipai, a nā hōʻuluʻulu manaʻo.
Eia kahi mana maʻalahi o ka hiʻohiʻona e hōʻike i ke kahe ʻikepili i kahi kumu hoʻonaʻauao hohonu.
Holo ka ʻikepili hoʻokomo i loko o ka papa hoʻokomo o ke kŘkohu, a laila e hoʻohele i ka ʻikepili ma o kekahi mau papa huna ma mua o ka hāʻawi ʻana i kahi wānana puka.
Hana kēlā me kēia papa huna i nā hana makemakika ma ka ʻikepili hoʻokomo ma mua o ka hāʻawi ʻana i ka papa aʻe, e hāʻawi ana i ka wānana hope.
I kēia manawa, e ʻike kākou i nā kumu hoʻohālike hohonu a pehea e hiki ai iā mākou ke hoʻohana iā lākou i ko mākou ola.
1. Nā Pūnaewele Neural Convolutional (CNNs)
He kumu hoʻonaʻauao hohonu ʻo CNN i hoʻololi i ka ʻāpana o ka ʻike kamepiula. Hoʻohana ʻia nā CNN e hoʻokaʻawale i nā kiʻi, ʻike i nā mea, a me nā kiʻi ʻāpana. ʻO ke ʻano a me ka hana o ka cortex ʻike kanaka i hōʻike i ka hoʻolālā ʻana o CNNs.
Pehea lākou e hana ai?
Hoʻokumu ʻia kahi CNN i kekahi mau papa convolutional, pooling layers, a me nā papa pili piha. He kiʻi ka mea hoʻokomo, a ʻo ka hoʻopuka he wānana o ka lepili papa o ke kiʻi.
Hoʻokumu nā papa convolutional o CNN i kahi palapala ʻāina ma ka hana ʻana i kahi huahana kiko ma waena o ke kiʻi hoʻokomo a me kahi pūʻulu o nā kānana. Hoʻohaʻahaʻa nā papa hoʻohuihui i ka nui o ka palapala hiʻona ma ka hoʻohaʻahaʻa ʻana iā ia.
ʻO ka hope, hoʻohana ʻia ka palapala hiʻona e nā papa pili piha e wānana i ka lepili papa o ke kiʻi.
No ke aha he mea nui ka CNN?
Pono nā CNN no ka mea hiki iā lākou ke aʻo i ka ʻike ʻana i nā hiʻohiʻona a me nā hiʻohiʻona i nā kiʻi i paʻakikī i ka poʻe ke ʻike. Hiki ke aʻo ʻia nā CNN e ʻike i nā hiʻohiʻona e like me nā ʻaoʻao, nā kihi, a me nā mea leʻaleʻa me ka hoʻohana ʻana i nā ʻikepili nui. Ma hope o ke aʻo ʻana i kēia mau waiwai, hiki i kahi CNN ke hoʻohana iā lākou e ʻike i nā mea i nā kiʻi hou. Ua hōʻike ʻo CNN i ka hana ʻokiʻoki ma nā ʻano noi ʻike kiʻi like ʻole.
Ma hea mākou e hoʻohana ai i nā CNN
ʻO ka mālama olakino, ka ʻoihana kaʻa, a me nā hale kūʻai he mau ʻāpana liʻiliʻi wale nō ia e hoʻohana ana i nā CNN. I ka ʻoihana mālama ola, hiki iā lākou ke pōmaikaʻi no ka ʻike ʻana i ka maʻi, ka hoʻomohala ʻana i ka lāʻau lapaʻau, a me ka nānā ʻana i nā kiʻi olakino.
Ma ka ʻoihana kaʻa, kōkua lākou i ka ʻike ala, ʻike mea, a me ka hoʻokele kaʻawale. Hoʻohana nui ʻia lākou i nā hale kūʻai no ka ʻimi ʻike maka, ka ʻōlelo aʻoaʻo huahana e pili ana i ke kiʻi, a me ka hoʻokele waiwai.
ʻo kahi laʻana; Hoʻohana ʻo Google i nā CNN ma nā ʻano noi like ʻole Google Lens, he mea paahana ike kii i makemake nui ia. Hoʻohana ka papahana i nā CNN e loiloi i nā kiʻi a hāʻawi i nā mea hoʻohana i ka ʻike.
ʻO Google Lens, no ka laʻana, hiki ke ʻike i nā mea ma ke kiʻi a hāʻawi i nā kikoʻī e pili ana iā lākou, e like me ke ʻano o ka pua.
Hiki iā ia ke unuhi i ke kikokikona i unuhi ʻia mai ke kiʻi i nā ʻōlelo he nui. Hiki iā Google Lens ke hāʻawi i nā mea kūʻai aku i ka ʻike pono ma muli o ke kōkua ʻana o CNN i ka ʻike pololei ʻana i nā mea a me ka unuhi ʻana i nā hiʻohiʻona mai nā kiʻi.
2. Nā pūnaewele hoʻomanaʻo lōʻihi pōkole (LSTM).
Hoʻokumu ʻia nā pūnaewele Long Short-Term Memory (LSTM) no ka hoʻoponopono ʻana i nā hemahema o nā neural network recurrent mau (RNNs). He kūpono nā pūnaewele LSTM no nā hana e koi ana i ka hana ʻana o nā kaʻina ʻikepili i ka manawa.
Ke hana nei lākou ma ka hoʻohana ʻana i kahi cell memory kikoʻī a me ʻekolu mau ʻano gating.
Hoʻoponopono lākou i ke kahe o ka ʻike i loko a i waho o ke kelepona. ʻO ka puka komo, ka puka poina a me ka puka puka nā ʻīpuka ʻekolu.
Hoʻoponopono ka puka komo i ka holo ʻana o ka ʻikepili i loko o ke kelepona hoʻomanaʻo, hoʻoponopono ka ʻīpuka poina i ka holoi ʻana i nā ʻikepili mai ke kelepona, a ʻo ka puka puka e hoʻoponopono i ke kahe ʻana o ka ʻikepili i waho o ke kelepona.
He aha ko lākou mea nui?
Pono nā pūnaewele LSTM no ka mea hiki iā lākou ke hōʻike a wānana i nā kaʻina ʻikepili me nā pilina lōʻihi. Hiki iā lākou ke hoʻopaʻa a mālama i ka ʻike e pili ana i nā hoʻokomo mua, e ʻae iā lākou e hana i nā wānana pololei e pili ana i nā hoʻokomo i ka wā e hiki mai ana.
ʻO ka ʻike haʻiʻōlelo, ka ʻike lima kākau lima, ka hoʻoponopono ʻōlelo kūlohelohe, a me ka hoʻopaʻa kiʻi kiʻi kekahi o nā noi i hoʻohana i nā pūnaewele LSTM.
Ma hea mākou e hoʻohana ai i nā Pūnaewele LSTM?
Nui nā polokalamu lako polokalamu a me nā ʻenehana i hoʻohana i nā pūnaewele LSTM, me nā ʻōnaehana ʻike leo, nā mea hana ʻōlelo kūlohelohe e like me kālailai manaʻo, ʻōnaehana unuhi mīkini, a me nā ʻōnaehana hana kikokiko a me nā kiʻi.
Ua hoʻohana ʻia lākou i ka hana ʻana i nā kaʻa kaʻa ponoʻī a me nā robots, a me ka ʻoihana kālā e ʻike i ka hoʻopunipuni a me ka manaʻo. kumukuai makeke neʻe.
3. Generative Adversarial Networks (GANs)
ʻO nā GAN he a haʻawina hohonu ʻenehana i hoʻohana ʻia no ka hana ʻana i nā laʻana ʻikepili hou e like me kahi waihona i hāʻawi ʻia. ʻElua mau GAN nā pūnaewele neural: ʻo ka mea e aʻo i ka hana ʻana i nā laʻana hou a me ka mea e aʻo i ka ʻokoʻa ma waena o nā laʻana maoli a i hana ʻia.
Ma kahi ʻano like, hoʻomaʻamaʻa pū ʻia kēia mau ʻupena ʻelua a hiki i ka mea hana hana ke hana i nā laʻana i ʻike ʻole ʻia mai nā mea maoli.
No ke aha mākou e hoʻohana ai i nā GAN
He mea koʻikoʻi nā GAN ma muli o ko lākou hiki ke hana i ka maikaʻi kiʻekiʻe ʻikepili synthetic hiki ke hoʻohana ʻia no nā ʻano noi like ʻole, e like me ka hana kiʻi a me ka wikiō, ka hana kikokikona, a me ka haku mele.
Ua hoʻohana pū ʻia nā GAN no ka hoʻonui ʻikepili, ʻo ia ka hanauna o ʻikepili synthetic e hoʻonui i ka ʻikepili o ka honua maoli a hoʻomaikaʻi i ka hana ʻana o nā hiʻohiʻona aʻo mīkini.
Eia kekahi, ma ka hana ʻana i ka ʻikepili synthetic hiki ke hoʻohana ʻia e hoʻomaʻamaʻa i nā hoʻohālike a hoʻohālike i nā hoʻokolohua, hiki i nā GAN ke hoʻololi i nā ʻāpana e like me ka lāʻau lapaʻau a me ka hoʻomohala ʻana i ka lāʻau.
Nā noi o nā GAN
Hiki i nā GAN ke hoʻohui i nā ʻikepili, hana i nā kiʻi hou a i ʻole nā kiʻiʻoniʻoni, a hiki i ka hoʻopuka ʻana i ka ʻikepili synthetic no nā simulation ʻepekema. Eia kekahi, hiki i nā GAN ke hoʻohana i nā ʻano noi like ʻole mai ka ʻoliʻoli a hiki i ke olakino.
makahiki a me nā wikiō. ʻO NVIDIA's StyleGAN2, no ka laʻana, ua hoʻohana ʻia e hana i nā kiʻi kiʻekiʻe o ka poʻe kaulana a me nā hana kiʻi.
4. Nā Pūnaewele Hoʻomanaʻo Hohonu (DBNs)
ʻO Deep Belief Networks (DBNs). ʻimi hoʻopunipuni manao nā ʻōnaehana hiki ke aʻo e ʻike i nā mamana ma ka ʻikepili. Hoʻokō lākou i kēia ma ka hoʻokaʻawale ʻana i ka ʻikepili i nā puʻupuʻu liʻiliʻi a liʻiliʻi, e loaʻa ai ka ʻike piha ʻana i kēlā me kēia pae.
Hiki i nā DBN ke aʻo mai ka ʻikepili me ka ʻike ʻole ʻia i ke ʻano o ia mea (ua kapa ʻia kēia ma ke ʻano he "aʻo ʻole ʻia"). He mea waiwai nui kēia no ka ʻike ʻana i nā mamana i ka ʻikepili i paʻakikī a hiki ʻole paha ke ʻike.
He aha ka mea nui i nā DBN?
He mea koʻikoʻi nā DBN ma muli o ko lākou hiki ke aʻo i nā hōʻike hierarchical data. Hiki ke hoʻohana ʻia kēia mau hiʻohiʻona no nā noi like ʻole e like me ka hoʻokaʻawale ʻana, ka ʻike anomaly, a me ka hōʻemi dimensionality.
ʻO ka hiki i nā DBN ke hana i ka hoʻomaʻamaʻa mua ʻole ʻia, hiki ke hoʻonui i ka hana o nā kumu hoʻonaʻauao hohonu me ka liʻiliʻi o ka ʻikepili i hōʻailona ʻia, he pōmaikaʻi nui.
He aha nā noi o nā DBN?
ʻO kekahi o nā noi nui loa ʻike mea, kahi i hoʻohana ʻia ai nā DBN e ʻike i kekahi mau ʻano mea e like me nā mokulele, nā manu, a me nā kānaka. Hoʻohana ʻia lākou no ka hoʻokumu ʻana i nā kiʻi a me ka hoʻokaʻawale ʻana, ka ʻike ʻana i ka neʻe i nā kiʻiʻoniʻoni, a me ka hoʻomaopopo ʻana i ka ʻōlelo kūlohelohe no ka hoʻoponopono leo.
Eia kekahi, hoʻohana pinepine ʻia nā DBN i nā ʻikepili e loiloi i ke kūlana kanaka. He mea hana maikaʻi nā DBN no nā ʻoihana like ʻole, me ka mālama olakino a me ka waihona kālā, a me ka ʻenehana.
5. Nā Pūnaewele Aʻo Hoʻoikaika Hohonu (DRLs)
Deep Hoʻomaopopo hoʻomaʻamaʻa Hoʻohui ʻo Networks (DRLs) i nā ʻupena neural hohonu me nā ʻenehana aʻo hoʻoikaika e hiki ai i nā ʻelele ke aʻo i loko o kahi ʻano paʻakikī ma o ka hoʻāʻo a me ka hewa.
Hoʻohana ʻia nā DRL e aʻo i nā ʻelele pehea e hoʻomaikaʻi ai i kahi hōʻailona uku ma o ka launa pū ʻana me ko lākou puni a me ke aʻo ʻana mai kā lākou mau hewa.
He aha ka mea e mahalo ai iā lākou?
Ua hoʻohana maikaʻi ʻia lākou i nā noi like ʻole, me ka pāʻani, robotics, a me ka hoʻokele autonomous. He mea koʻikoʻi nā DRL no ka mea hiki iā lākou ke aʻo pololei mai ka hoʻokomo ʻana i ka sensory raw, e ʻae ana i nā ʻelele e hoʻoholo e pili ana i kā lākou pilina me ke kaiapuni.
Nā noi nui
Hoʻohana ʻia nā DRL i nā kūlana honua maoli no ka mea hiki iā lākou ke mālama i nā pilikia paʻakikī.
Ua hoʻokomo ʻia nā DRL i kekahi mau polokalamu kaulana a me nā ʻenehana ʻenehana, me ka OpenAI's Gym, Nā ML-Agents o Unity, a me ka DeepMind Lab o Google. AlphaGo, kūkulu ʻia e Google Deepmind, no ka laʻana, hoʻohana i ka DRL e pāʻani i ka pāʻani papa E hele i kahi pae poʻokela honua.
ʻO kekahi hoʻohana ʻana o DRL i loko o nā robotics, kahi e hoʻohana ʻia ai e kāohi i nā neʻe o nā lima robotic e hoʻokō i nā hana e like me ka hopu ʻana i nā mea a i ʻole ka hoʻopaʻa ʻana i nā poloka. He nui nā mea hoʻohana a DRL a he mea pono no nā ʻoihana aʻo e aʻo a hoʻoholo i nā hoʻonohonoho paʻakikī.
6. Autoencoders
ʻO Autoencoders kekahi ʻano hoihoi o kaʻenehana kikowaena ʻo ia ka mea i loaʻa ai ka hoihoi o ka poʻe ʻepekema a me nā ʻepekema data. Hoʻolālā ʻia lākou e aʻo pehea e hoʻopaʻa a hoʻihoʻi i ka ʻikepili.
Hāʻawi ʻia ka ʻikepili hoʻokomo ma o ka hoʻololi ʻana o nā papa e hoʻohaʻahaʻa mālie i ka nui o ka ʻikepili a hiki i ka hoʻopili ʻia ʻana i loko o kahi ʻāpana bottleneck me ka liʻiliʻi o nā node ma mua o nā papa hoʻokomo a me nā papa puka.
Hoʻohana ʻia kēia hōʻike i hoʻopili ʻia e hana hou i ka ʻikepili hoʻokomo kumu me ka hoʻohana ʻana i ke kaʻina o nā papa e hoʻihoʻi mālie i ka nui o ka ʻikepili i kona ʻano kumu.
No ke aha he mea nui?
He mea koʻikoʻi nā Autoencoders haʻawina hohonu no ka mea, hana lākou i ka unuhi hiʻona a me ka hōʻemi ʻikepili hiki ke hiki.
Hiki iā lākou ke ʻike i nā mea koʻikoʻi o ka ʻikepili e hiki mai ana a unuhi iā lākou i kahi ʻano i hoʻopili ʻia a laila e hoʻohana ʻia i nā hana ʻē aʻe e like me ka hoʻokaʻawale ʻana, ka hui ʻana, a i ʻole ka hana ʻana i nā ʻikepili hou.
Ma hea mākou e hoʻohana ai i nā Autoencoders?
ʻIke anomaly, ʻōlelo kūlohelohe, a me ʻikeʻikepili ʻo ia kekahi o nā ʻano aʻoaʻo i hoʻohana ʻia ai nā autoencoders. Hiki i nā Autoencoders, no ka laʻana, hiki ke hoʻohana ʻia no ka hoʻopaʻa ʻana i nā kiʻi, ka denoising kiʻi, a me ka synthesis kiʻi i ka ʻike kamepiula.
Hiki iā mākou ke hoʻohana i nā Autoencoders i nā hana e like me ka hana ʻana i nā kikokikona, ka hoʻokaʻawale ʻana i nā kikokikona, a me ka hōʻuluʻulu kikokikona i ka hana ʻōlelo kūlohelohe. Hiki iā ia ke ʻike i ka hana anomalous i ka ʻikepili i haʻalele i ka maʻamau i ka ʻike anomaly.
7. Pūnaehana Capsule
ʻO Capsule Networks kahi hale hoʻonaʻauao hohonu hou i kūkulu ʻia ma ke ʻano he pani no Convolutional Neural Networks (CNNs).
Hoʻokumu ʻia ka Capsule Networks i ka manaʻo o ka hui pū ʻana i nā ʻāpana lolo i kapa ʻia ʻo capsules ke kuleana no ka ʻike ʻana i ke ola ʻana o kekahi mea i loko o ke kiʻi a me ka hoʻopili ʻana i kona mau ʻano, e like me ke ʻano a me ke kūlana, i loko o kā lākou mau vectors. No laila hiki i ka Capsule Networks ke hoʻokele i nā pilina spatial a me nā hiʻohiʻona ʻoi aku ka maikaʻi ma mua o CNN.
No ke aha mākou e koho ai i nā Pūnaewele Capsule ma mua o CNN?
Pono nā Capsule Networks no ka mea ua lanakila lākou i nā pilikia o CNN i ka hopu ʻana i nā pilina hierarchical ma waena o nā mea i loko o ke kiʻi. Hiki i nā CNN ke ʻike i nā mea like ʻole akā paʻakikī i ka ʻike pehea e pili ai kēia mau mea i kekahi.
Hiki i nā Capsule Networks, ma ka ʻaoʻao ʻē aʻe, ke aʻo i ka ʻike ʻana i nā mea a me kā lākou mau ʻāpana, a me ke ʻano o ke kau ʻia ʻana o lākou i loko o ke kiʻi, e hoʻolilo iā lākou i mea hakakā kūpono no nā noi ʻike kamepiula.
Nā ʻāpana o nā noi
Ua hōʻike mua ʻo Capsule Networks i nā hopena hoʻohiki i nā noi like ʻole, me ka hoʻokaʻawale kiʻi, ka ʻike mea, a me ka māhele kiʻi.
Ua hoʻohana ʻia lākou e hoʻokaʻawale i nā mea ma nā kiʻi lapaʻau, ʻike i ka poʻe ma nā kiʻiʻoniʻoni, a me ka hana ʻana i nā hiʻohiʻona 3D mai nā kiʻi 2D.
No ka hoʻonui ʻana i kā lākou hana, ua hui pū ʻia ʻo Capsule Networks me nā hale hoʻonaʻauao hohonu ʻē aʻe e like me Generative Adversarial Networks (GANs) a me Variational Autoencoders (VAEs). Manaʻo ʻia ʻo Capsule Networks e pāʻani i kahi hana koʻikoʻi i ka hoʻonui ʻana i nā ʻenehana ʻike kamepiula ʻoiai e ulu ana ka ʻepekema o ke aʻo hohonu.
O kahi laʻana; Nibabela He mea hana Python kaulana ia no ka heluhelu ʻana a me ke kākau ʻana i nā ʻano faila neuroimaging. No ka hoʻokaʻawale kiʻi, hoʻohana ia i nā Capsule Networks.
8. Nā hiʻohiʻona e pili ana i ka nānā
ʻO nā hiʻohiʻona hoʻonaʻauao hohonu i ʻike ʻia he mau hiʻohiʻona pili i ka nānā ʻana, ʻike ʻia hoʻi he ʻano hana nānā, e hoʻoikaika e hoʻonui i ka pololei o nā mīkini aʻo mīkini. Ke hana nei kēia mau hiʻohiʻona ma ka noʻonoʻo ʻana i kekahi mau hiʻohiʻona o ka ʻikepili e hiki mai ana, e loaʻa ana i ka hana ʻoi aku ka maikaʻi a me ka maikaʻi.
Ma nā hana hoʻoponopono ʻōlelo kūlohelohe e like me ka unuhi mīkini a me ka nānā ʻana i ka manaʻo, ua ʻike ʻia nā ʻano hana hoʻolohe.
He aha kā lākou mea nui?
Pono nā hiʻohiʻona e pili ana i ka nānā ʻana no ka mea hiki iā lākou ke hana ʻoi aku ka maikaʻi a me ka maikaʻi o ka ʻikepili paʻakikī.
Nā pūnaewele neural kuʻuna e loiloi i nā ʻikepili hoʻokomo a pau e like me ke koʻikoʻi, e hopena i ka hana lohi a me ka emi ʻana o ka pololei. Hoʻopili nā kaʻina hana i nā mea koʻikoʻi o ka ʻikepili hoʻokomo, e ʻae ana i nā wānana wikiwiki a pololei.
Nā ʻāpana hoʻohana
Ma ke kahua o ka naʻauao hana, loaʻa i nā mīkini nānā ka laulā o nā noi, e pili ana i ka hoʻoponopono ʻōlelo kūlohelohe, kiʻi a me ka ʻike leo, a me nā kaʻa kaʻa ʻole.
No ka laʻana, hiki ke hoʻohana ʻia nā ala noʻonoʻo no ka hoʻomaikaʻi ʻana i ka unuhi mīkini ma ka hana ʻōlelo kūlohelohe ma o ka ʻae ʻana i ka ʻōnaehana e nānā pono i kekahi mau huaʻōlelo a i ʻole nā huaʻōlelo e pono ai i ka pōʻaiapili.
Hiki ke hoʻohana ʻia nā ala noʻonoʻo i nā kaʻa kūʻokoʻa e kōkua i ka ʻōnaehana i ka nānā ʻana i kekahi mau mea a i ʻole nā pilikia i kona puni.
9. Pūnaehana Transformer
ʻO nā pūnaewele Transformer nā kumu hoʻonaʻauao hohonu e nānā a hana i nā kaʻina ʻikepili. Hana lākou ma ka hana ʻana i ke kaʻina hoʻokomo i hoʻokahi mea i ka manawa a hana i kahi kaʻina hoʻopuka o nā lōʻihi like a ʻokoʻa paha.
ʻAʻole e hana nā ʻenehana Transformer, ʻaʻole e like me nā hiʻohiʻona maʻamau o ka sequence-to-sequence. Akā, hoʻohana lākou i nā kaʻina hana nānā ponoʻī e aʻo i nā loulou ma waena o nā ʻāpana o ke kaʻina.
He aha ka mea nui o nā pūnaewele Transformer?
Ua ulu kaulana nā pūnaewele Transformer i nā makahiki i hala iho nei ma muli o kā lākou hana ʻoi aku ka maikaʻi ma nā hana hoʻoponopono ʻōlelo kūlohelohe.
Ua kūpono loa lākou no nā hana hana kikokikona e like me ka unuhi ʻōlelo, ka hōʻuluʻulu kikokikona, a me ka hana kamaʻilio.
ʻOi aku ka maikaʻi o nā ʻupena Transformer ma mua o nā hiʻohiʻona RNN-based, e hoʻolilo iā lākou i koho makemake no nā noi nui.
Ma hea ʻoe e ʻike ai i nā pūnaewele Transformer?
Hoʻohana nui ʻia nā ʻupena Transformer ma kahi ākea o nā noi, ʻoi aku ka nui o ka hana ʻōlelo kūlohelohe.
ʻO ka moʻo GPT (Generative Pre-trained Transformer) he kumu hoʻohālike koʻikoʻi e pili ana i ka transformer i hoʻohana ʻia no nā hana e like me ka unuhi ʻōlelo, ka hōʻuluʻulu kikokikona, a me ka hanauna chatbot.
ʻO BERT (Bidirectional Encoder Representations from Transformers) kekahi kumu hoʻohālike maʻamau i hoʻohana ʻia no nā noi hoʻomaopopo ʻōlelo kūlohelohe e like me ka pane nīnau a me ka nānā ʻana i ka manaʻo.
elua GPT a ua hana ʻia ʻo BERT me ʻO PyTorch, he papa hana hoʻonaʻauao hohonu i makemake nui ʻia no ka hoʻomohala ʻana i nā kumu hoʻohālike e pili ana i ka transformer.
10. Nā Mīkini Boltzmann i kaupalena ʻia ( RBMs)
ʻO nā Mīkini Boltzmann Restricted (RBMs) kahi ʻano o ka neural network unsupervised e aʻo ma ke ʻano generative. Ma muli o ko lākou hiki ke aʻo a unuhi i nā hiʻohiʻona koʻikoʻi mai ka ʻikepili kiʻekiʻe, ua hoʻohana nui ʻia lākou i nā kula o ka mīkini aʻo a me ke aʻo hohonu.
Hoʻokumu ʻia nā RBM i ʻelua papa, ʻike ʻia a hūnā ʻia, me kēlā me kēia papa me kahi hui o nā neurons i hoʻopili ʻia e nā ʻaoʻao kaumaha. Hoʻolālā ʻia nā RBM e aʻo i ka māhele likelika e wehewehe ana i ka ʻikepili hoʻokomo.
He aha nā mīkini Boltzmann i kaupalena ʻia?
Hoʻohana nā RBM i kahi hoʻolālā aʻo generative. I nā RBM, hōʻike ka papa i ʻike ʻia i ka ʻikepili hoʻokomo, aʻo ka papa kanu i hoʻopili i nā ʻano o ka ʻikepili komo. Hōʻike nā paona o nā papa i ʻike ʻia a hūnā i ka ikaika o kā lākou loulou.
Hoʻoponopono nā RBM i nā paona a me nā ʻokoʻa ma waena o nā papa i ka wā hoʻomaʻamaʻa me ka hoʻohana ʻana i kahi ʻenehana i kapa ʻia ʻo contrastive divergence. ʻO ka contrastive divergence kahi hoʻolālā hoʻonaʻauao mālama ʻole ʻia e hoʻonui ai i ka wānana o ke kumu hoʻohālike.
He aha ke ʻano o nā mīkini Boltzmann i hoʻopaʻa ʻia?
He mea nui ka RBM ma aʻo aʻo a me ke aʻo hohonu no ka mea hiki iā lākou ke aʻo a unuhi i nā ʻano kūpono mai ka nui o ka ʻikepili.
Maikaʻi loa lākou no ka ʻike kiʻi a me ka ʻōlelo, a ua hoʻohana ʻia lākou i nā ʻano noi like ʻole e like me nā ʻōnaehana paipai, ʻike anomaly, a me ka hōʻemi ʻana i ke ʻano. Hiki i nā RBM ke loaʻa nā mamana i nā ʻikepili nui, e hopena i nā wānana a me nā ʻike.
Ma hea e hoʻohana ʻia ai nā Mīkini Boltzmann Restricted?
Loaʻa nā noi no nā RBM i ka hoʻemi ʻana i ka dimensionality, ka ʻike anomaly, a me nā ʻōnaehana paipai. He kōkua nui nā RBM no ka nānā ʻana i ka manaʻo a hoʻohālike kumuhana i loko o ka pōʻaiapili o ka ʻōlelo kūlohelohe.
ʻO nā pūnaewele hilinaʻi hohonu, kahi ʻano pūnaewele neural i hoʻohana ʻia no ka ʻike leo a me ke kiʻi, hoʻohana pū kekahi i nā RBM. ʻO ka pahu hana pūnaewele Deep Belief, Nānā, a ʻO Theano he mau hiʻohiʻona o nā lako polokalamu a ʻenehana paha e hoʻohana ana i nā RBM.
Hoʻopau
Ke lilo nei nā hiʻohiʻona Deep Learning i mea koʻikoʻi i nā ʻano ʻoihana like ʻole, me ka ʻike leo, ka hoʻoponopono ʻōlelo kūlohelohe, a me ka ʻike kamepiula.
Ua hōʻike ka Convolutional Neural Networks (CNNs) a me Recurrent Neural Networks (RNNs) i ka ʻōlelo hoʻohiki a hoʻohana nui ʻia i nā noi he nui, akā naʻe, loaʻa i nā kumu hoʻohālike Deep Learning ko lākou mau pono a me nā hemahema.
Eia nō naʻe, ke nānā nei nā mea noiʻi i Restricted Boltzmann Machines (RBMs) a me nā ʻano like ʻole o nā hiʻohiʻona Deep Learning no ka mea he mau pono kūikawā kekahi.
Manaʻo ʻia e hana ʻia nā hiʻohiʻona hou a me ka noʻonoʻo ʻoiai ke hoʻomau nei ka pae o ke aʻo hohonu i mea e hoʻoponopono ai i nā pilikia paʻakikī.
Waiho i ka Reply