Բառը[Թաքցնել][Ցուցադրում]
Արհեստական ինտելեկտը (AI) ի սկզբանե համարվում էր հեռավոր երազանք, տեխնոլոգիա ապագայի համար, բայց դա այլևս այդպես չէ:
Այն, ինչ նախկինում հետազոտության թեմա էր, այժմ պայթում է իրական աշխարհում: AI-ն այժմ գտնվում է տարբեր վայրերում, ներառյալ ձեր աշխատավայրը, դպրոցը, բանկային ծառայությունները, հիվանդանոցները և նույնիսկ ձեր հեռախոսը:
Դրանք ինքնակառավարվող մեքենաների աչքերն են, Siri-ի և Alexa-ի ձայները, եղանակի կանխատեսման հետևում կանգնած մտքերը, ռոբոտների օգնությամբ վիրահատությունների հետևում կանգնած ձեռքերը և այլն:
Արհեստական բանականություն (AI) դառնում է ժամանակակից կյանքի սովորական հատկանիշ: Վերջին մի քանի տարիների ընթացքում AI-ն հայտնվել է որպես հիմնական խաղացող ՏՏ տեխնոլոգիաների լայն շրջանակում:
Ի վերջո, նեյրոնային ցանցն օգտագործվում է AI-ի կողմից՝ նոր բաներ սովորելու համար:
Այսպիսով, այսօր մենք կիմանանք նեյրոնային ցանցերի մասին, ինչպես է այն աշխատում, դրանց տեսակները, կիրառությունները և շատ ավելին:
Ի՞նչ է նյարդային ցանցը:
In Machine Learning, նեյրոնային ցանցը արհեստական նեյրոնների ծրագրային ապահովման ծրագրավորված ցանց է։ Այն փորձում է ընդօրինակել մարդու ուղեղը՝ ունենալով «նեյրոնների» բազմաթիվ շերտեր, որոնք նման են մեր ուղեղի նեյրոններին։
Նեյրոնների առաջին շերտը կընդունի լուսանկարներ, տեսանյութ, ձայն, տեքստ և այլ մուտքեր: Այս տվյալները հոսում են բոլոր մակարդակներով, մի շերտի ելքը հոսում է հաջորդ: Սա կարևոր է ամենադժվար առաջադրանքների համար, ինչպիսիք են մեքենայական ուսուցման բնական լեզվի մշակումը:
Այնուամենայնիվ, այլ դեպքերում նախընտրելի է համակարգի սեղմման նպատակադրումը մոդելի չափը նվազեցնելու համար՝ պահպանելով ճշգրտությունն ու արդյունավետությունը: Նյարդային ցանցի հատումը սեղմման մեթոդ է, որը ներառում է կշիռների հեռացում սովորած մոդելից: Դիտարկենք արհեստական ինտելեկտի նեյրոնային ցանցը, որը պատրաստված է մարդկանց կենդանիներից տարբերելու համար:
Նեյրոնների առաջին շերտը նկարը կբաժանի վառ և մութ մասերի։ Այս տվյալները կփոխանցվեն հետևյալ շերտին, որը կորոշի, թե որտեղ են եզրերը:
Հաջորդ շերտը կփորձի ճանաչել այն ձևերը, որոնք ստեղծել է եզրերի համակցությունը: Ըստ այն տվյալների, որոնց վրա ուսուցանվել է, տվյալները նույն ձևով կանցնեն բազմաթիվ շերտերով՝ պարզելու՝ ձեր ներկայացրած պատկերը մարդու՞ է, թե՞ կենդանու:
Երբ տվյալները տրվում են նեյրոնային ցանցին, այն սկսում է մշակել դրանք: Դրանից հետո տվյալները մշակվում են դրա մակարդակներով՝ ցանկալի արդյունք ստանալու համար: Նյարդային ցանցը մեքենա է, որը սովորում է կառուցվածքային մուտքագրումից և ցուցադրում արդյունքները: Գոյություն ունեն երեք տեսակի ուսուցում, որոնք կարող են տեղի ունենալ նեյրոնային ցանցերում.
- Վերահսկվող ուսուցում – Մուտքերը և ելքերը տրվում են ալգորիթմներին՝ օգտագործելով պիտակավորված տվյալներ: Տվյալները վերլուծել սովորեցնելուց հետո նրանք կանխատեսում են նախատեսված արդյունքը:
- Չվերահսկվող ուսուցում – ANN-ը սովորում է առանց մարդու օգնության: Չկան պիտակավորված տվյալներ, և ելքը որոշվում է ելքային տվյալների մեջ հայտնաբերված օրինաչափություններով:
- Ամրապնդման ուսուցում այն է, երբ ցանցը սովորում է իր ստացած արձագանքներից:
Ինչպե՞ս են աշխատում նեյրոնային ցանցերը:
Արհեստական նեյրոնները օգտագործվում են նեյրոնային ցանցերում, որոնք բարդ համակարգեր են։ Արհեստական նեյրոնները, որոնք նաև հայտնի են որպես պերցեպտրոններ, կազմված են հետևյալ բաղադրիչներից.
- Մուտքային
- քաշ
- Հակում
- Ակտիվացման գործառույթ
- Արտադրողականություն
Նեյրոնների շերտերը, որոնք կազմում են նեյրոնային ցանցերը։ Նյարդային ցանցը բաղկացած է երեք շերտերից.
- Մուտքային շերտ
- Թաքնված շերտ
- Ելքային շերտ
Տվյալները թվային արժեքի տեսքով ուղարկվում են մուտքային շերտ: Ցանցի թաքնված շերտերն ամենաշատ հաշվարկներն են անում: Ելքային շերտը, վերջին, բայց ոչ պակաս կարևոր, կանխատեսում է արդյունքը: Նեյրոնները գերիշխում են միմյանց նեյրոնային ցանցում: Նեյրոնները օգտագործվում են յուրաքանչյուր շերտ կառուցելու համար: Տվյալները ուղղորդվում են դեպի թաքնված շերտ այն բանից հետո, երբ մուտքային շերտը ստանում է այն:
Կշիռները կիրառվում են յուրաքանչյուր մուտքագրման համար: Նյարդային ցանցի թաքնված շերտերում քաշը արժեք է, որը թարգմանում է մուտքային տվյալները: Weights-ը գործում է մուտքային տվյալները բազմապատկելով մուտքային շերտի քաշի արժեքով:
Այնուհետև այն սկսում է առաջին թաքնված շերտի արժեքը: Մուտքային տվյալները փոխակերպվում են և թաքնված շերտերի միջոցով փոխանցվում են մյուս շերտին: Ելքային շերտը պատասխանատու է վերջնական արդյունքի առաջացման համար: Մուտքերը և կշիռները բազմապատկվում են, և արդյունքը փոխանցվում է թաքնված շերտի նեյրոններին՝ որպես գումար: Յուրաքանչյուր նեյրոնին տրվում է կողմնակալություն: Ընդհանուրը հաշվարկելու համար յուրաքանչյուր նեյրոն ավելացնում է իր ստացած մուտքերը:
Դրանից հետո արժեքը անցնում է ակտիվացման ֆունկցիայի միջոցով: Ակտիվացման ֆունկցիայի արդյունքը որոշում է նեյրոնի ակտիվացումը, թե ոչ: Երբ նեյրոնն ակտիվ է, այն տեղեկատվություն է ուղարկում մյուս շերտերին: Տվյալները ստեղծվում են ցանցում այնքան ժամանակ, մինչև նեյրոնը հասնում է ելքային շերտին՝ օգտագործելով այս մեթոդը: Առաջ տարածումը դրա մեկ այլ տերմին է:
Տվյալները մուտքային հանգույց մուտքագրելու և ելքային հանգույցի միջոցով ելք ստանալու տեխնիկան հայտնի է որպես առաջընթաց տարածում: Երբ մուտքային տվյալները ընդունվում են թաքնված շերտի կողմից, տեղի է ունենում առաջընթացի տարածում: Այն մշակվում է ըստ ակտիվացման ֆունկցիայի, այնուհետև փոխանցվում է ելքի։
Արդյունքը կանխատեսվում է ելքային շերտի նեյրոնի կողմից՝ ամենամեծ հավանականությամբ: Հետ տարածումը տեղի է ունենում, երբ ելքը սխալ է: Նեյրոնային ցանց ստեղծելիս կշիռները սկզբնավորվում են յուրաքանչյուր մուտքագրման համար: Backpropagation-ը յուրաքանչյուր մուտքի կշիռների վերակարգավորման գործընթաց է՝ սխալները նվազեցնելու և ավելի ճշգրիտ արդյունք ապահովելու համար:
Նյարդային ցանցի տեսակները
1. Պերցեպտրոն
Minsky-Papert պերցեպտրոնային մոդելը նեյրոնների ամենապարզ և հնագույն մոդելներից մեկն է։ Այն նեյրոնային ցանցի ամենափոքր միավորն է, որը կատարում է որոշակի հաշվարկներ մուտքային տվյալների մեջ բնութագրեր կամ բիզնես ինտելեկտ հայտնաբերելու նպատակով: Այն վերցնում է կշռված մուտքեր և կիրառում է ակտիվացման գործառույթը վերջնական արդյունք ստանալու համար: TLU (շեմային տրամաբանական միավոր) պերցեպտրոնի մեկ այլ անուն է:
Perceptron-ը երկուական դասակարգիչ է, որը վերահսկվող ուսուցման համակարգ է, որը տվյալները բաժանում է երկու խմբի: Տրամաբանական դարպասներ ինչպիսիք են AND, OR և NAND-ը կարող են իրականացվել պերցեպտրոններով:
2. Feed-Forward նեյրոնային ցանց
Նյարդային ցանցերի ամենահիմնական տարբերակը, որտեղ մուտքային տվյալները հոսում են բացառապես մեկ ուղղությամբ, անցնում են արհեստական նյարդային հանգույցներով և դուրս գալիս ելքային հանգույցներով: Մուտքային և ելքային շերտերը առկա են այն վայրերում, որտեղ թաքնված շերտերը կարող են լինել կամ չլինել: Դրանց հիման վրա դրանք կարող են բնութագրվել որպես միաշերտ կամ բազմաշերտ սնուցող առաջընթաց նեյրոնային ցանց:
Օգտագործված շերտերի քանակը որոշվում է ֆունկցիայի բարդությամբ: Այն տարածվում է միայն առաջ մեկ ուղղությամբ և չի տարածվում հետընթաց: Այստեղ կշիռները մնում են անփոփոխ։ Մուտքերը բազմապատկվում են կշիռներով՝ ակտիվացման ֆունկցիան կերակրելու համար: Դա անելու համար օգտագործվում է դասակարգման ակտիվացման ֆունկցիա կամ քայլ ակտիվացման ֆունկցիա:
3. Բազմաշերտ պերցեպտրոն
Ներածություն բարդին նյարդային ցանցեր, որտեղ մուտքային տվյալները փոխանցվում են արհեստական նեյրոնների բազմաթիվ շերտերի միջոցով։ Այն ամբողջովին կապված նեյրոնային ցանց է, քանի որ յուրաքանչյուր հանգույց միացված է հետևյալ շերտի բոլոր նեյրոններին: Բազմաթիվ թաքնված շերտեր, այսինքն՝ առնվազն երեք կամ ավելի շերտեր, առկա են մուտքային և ելքային շերտերում:
Այն ունի երկկողմանի տարածում, ինչը նշանակում է, որ այն կարող է տարածվել ինչպես առաջ, այնպես էլ հետընթաց: Մուտքագրումները բազմապատկվում են կշիռներով և ուղարկվում են ակտիվացման ֆունկցիա, որտեղ դրանք փոխվում են ետ տարածման միջոցով՝ նվազագույնի հասցնելու կորուստը:
Կշիռները մեքենայական սովորած արժեքներ են նեյրոնային ցանցերից, պարզ ասած: Կախված ակնկալվող արդյունքների և վերապատրաստման միջոցների միջև եղած անհավասարությունից՝ դրանք ինքնուրույն ճշգրտվում են: Softmax-ը օգտագործվում է որպես ելքային շերտի ակտիվացման ֆունկցիա ոչ գծային ակտիվացման ֆունկցիաներից հետո:
4. Կովոլյուցիոն նեյրոնային ցանց
Ի տարբերություն ավանդական երկչափ զանգվածի, կոնվոլյուցիոն նեյրոնային ցանցն ունի նեյրոնների եռաչափ կոնֆիգուրացիա: Առաջին շերտը հայտնի է որպես կոնվոլյուցիոն շերտ: Կոնվոլյուցիոն շերտի յուրաքանչյուր նեյրոն մշակում է միայն տեսողական դաշտի սահմանափակ հատվածի տեղեկատվությունը: Ինչպես ֆիլտրը, մուտքագրման գործառույթներն ընդունվում են խմբաքանակի ռեժիմում:
Ցանցը հասկանում է նկարները բաժիններով և կարող է բազմաթիվ անգամներ կատարել այս գործողությունները՝ ավարտելու պատկերի ամբողջ մշակումը:
Մշակման ընթացքում նկարը RGB-ից կամ HSI-ից վերածվում է մոխրագույնի: Պիքսելների արժեքի հետագա տատանումները կօգնեն հայտնաբերել եզրերը, և նկարները կարելի է դասակարգել մի քանի խմբերի: Միակողմանի տարածումը տեղի է ունենում, երբ CNN-ը պարունակում է մեկ կամ մի քանի կոնվոլյուցիոն շերտեր, որին հաջորդում է միավորումը, և երկկողմանի տարածումը տեղի է ունենում, երբ կոնվոլյուցիոն շերտի ելքը ուղարկվում է ամբողջովին միացված նեյրոնային ցանց՝ պատկերների դասակարգման համար:
Պատկերի որոշ տարրեր հանելու համար օգտագործվում են զտիչներ: MLP-ում մուտքերը կշռված են և մատակարարվում են ակտիվացման գործառույթին: RELU-ն օգտագործվում է կոնվուլյացիայի մեջ, մինչդեռ MLP-ն օգտագործում է ոչ գծային ակտիվացման ֆունկցիա, որին հաջորդում է softmax: Նկարների և վիդեո ճանաչման, իմաստային վերլուծության և պարաֆրազի հայտնաբերման մեջ կոնվոլյուցիոն նեյրոնային ցանցերը տալիս են գերազանց արդյունքներ:
5. Ճառագայթային կողմնակալության ցանց
Մուտքային վեկտորին հաջորդում է RBF նեյրոնների շերտը և ելքային շերտը՝ մեկ հանգույցով յուրաքանչյուր կատեգորիայի համար Radial Basis Function Network-ում: Մուտքը դասակարգվում է՝ համեմատելով այն ուսումնական հավաքածուի տվյալների կետերի հետ, որտեղ յուրաքանչյուր նեյրոն պահպանում է իր նախատիպը: Սա ուսումնական հավաքածուի օրինակներից մեկն է:
Յուրաքանչյուր նեյրոն հաշվարկում է էվկլիդյան հեռավորությունը մուտքի և նրա նախատիպի միջև, երբ պետք է դասակարգվի նոր մուտքային վեկտորը [n-չափական վեկտորը, որը փորձում եք դասակարգել]: Եթե մենք ունենք երկու դաս՝ A և B դաս, ապա դասակարգման ենթակա նոր մուտքը ավելի նման է A դասի նախատիպերին, քան B դասի նախատիպերին:
Արդյունքում, այն կարող է պիտակավորվել կամ դասակարգվել որպես A դաս:
6. Կրկնվող նյարդային ցանց
Կրկնվող նեյրոնային ցանցերը նախագծված են շերտի ելքը խնայելու և այնուհետև այն վերադարձնելու մուտքի մեջ՝ նպաստելու շերտի արդյունքի կանխատեսմանը: Հետադարձ կապ նյարդային ցանց սովորաբար սկզբնական շերտն է, որին հաջորդում է նեյրոնային ցանցի կրկնվող շերտը, որտեղ հիշողության ֆունկցիան հիշում է նախորդ ժամանակային քայլում ունեցած տեղեկատվության մի մասը:
Այս սցենարը օգտագործում է առաջ տարածումը: Այն պահպանում է տվյալները, որոնք անհրաժեշտ կլինեն ապագայում: Այն դեպքում, երբ կանխատեսումը սխալ է, ուսուցման արագությունը օգտագործվում է աննշան ճշգրտումներ կատարելու համար: Արդյունքում, քանի որ ետ տարածումը զարգանում է, այն ավելի ճշգրիտ կդառնա:
Ծրագրեր
Նյարդային ցանցերն օգտագործվում են տարբեր առարկաների տվյալների հետ կապված խնդիրների լուծման համար. որոշ օրինակներ ներկայացված են ստորև:
- Դեմքի ճանաչում – Դեմքի ճանաչման լուծումները ծառայում են որպես արդյունավետ հսկողության համակարգեր: Ճանաչման համակարգերը թվային լուսանկարները կապում են մարդու դեմքերի հետ: Դրանք օգտագործվում են գրասենյակներում ընտրովի մուտքի համար: Այսպիսով, համակարգերը ստուգում են մարդու դեմքը և այն համեմատում տվյալների բազայում պահվող ID-ների ցանկի հետ:
- Բաժնետոմսերի կանխատեսում – Ներդրումները ենթարկվում են շուկայական ռիսկերի: Գործնականում դժվար է կանխատեսել ապագա զարգացումները ծայրահեղ անկայուն ֆոնդային շուկայում: Մինչև նեյրոնային ցանցերը, անընդհատ փոփոխվող աճի և անկման փուլերը անկանխատեսելի էին: Բայց ի՞նչը փոխեց ամեն ինչ։ Իհարկե, մենք խոսում ենք նեյրոնային ցանցերի մասին… Բազմաշերտ պերցեպտրոն MLP-ն (արհեստական ինտելեկտի առաջընթաց համակարգ) օգտագործվում է իրական ժամանակում բաժնետոմսերի հաջող կանխատեսում ստեղծելու համար:
- Սոցիալական Մեդիա – Անկախ նրանից, թե որքան դաժան հնչում է, սոցիալական մեդիան փոխել է գոյության առօրյա ուղին: Սոցցանցերի օգտատերերի վարքագիծն ուսումնասիրվում է արհեստական նեյրոնային ցանցերի միջոցով: Մրցակցային վերլուծության համար վիրտուալ փոխազդեցությունների միջոցով ամեն օր մատակարարվող տվյալները կուտակվում և հետազոտվում են: Սոցցանցերի օգտատերերի գործողությունները կրկնօրինակվում են նեյրոնային ցանցերի միջոցով: Անհատների վարքագիծը կարող է կապված լինել մարդկանց ծախսերի օրինաչափությունների հետ, երբ տվյալները վերլուծվեն սոցիալական մեդիա ցանցերի միջոցով: Սոցիալական մեդիա հավելվածներից ստացված տվյալները արդյունահանվում են բազմաշերտ պերցեպտրոն ANN-ի միջոցով:
- Առողջապահություն – Ժամանակակից աշխարհում անհատներն օգտագործում են տեխնոլոգիայի առավելությունները առողջապահության ոլորտում: Առողջապահության ոլորտում կոնվոլյուցիոն նեյրոնային ցանցերն օգտագործվում են ռենտգենյան հայտնաբերման, CT սկանավորման և ուլտրաձայնի համար: Վերոհիշյալ թեստերից ստացված բժշկական պատկերների տվյալները գնահատվում և գնահատվում են նեյրոնային ցանցի մոդելների միջոցով, քանի որ CNN-ն օգտագործվում է պատկերների մշակման մեջ: Ձայնի ճանաչման համակարգերի մշակման ժամանակ օգտագործվում է նաև կրկնվող նյարդային ցանցը (RNN):
- Եղանակի հաշվետվություն – Մինչ արհեստական ինտելեկտի ներդրումը, օդերևութաբանական վարչության կանխատեսումները երբեք ճշգրիտ չեն եղել: Եղանակի կանխատեսումը հիմնականում կատարվում է ապագայում տեղի ունեցող եղանակային պայմանները կանխատեսելու համար: Եղանակի կանխատեսումները օգտագործվում են ժամանակակից ժամանակաշրջանում բնական աղետների հավանականությունը կանխատեսելու համար: Եղանակի կանխատեսումը կատարվում է օգտագործելով բազմաշերտ պերցեպտրոն (MLP), կոնվոլյուցիոն նեյրոնային ցանցեր (CNN) և կրկնվող նեյրոնային ցանցեր (RNN):
- Պաշտպանություն – Լոգիստիկան, զինված հարձակման վերլուծությունը և իրերի գտնվելու վայրը բոլորն օգտագործում են նեյրոնային ցանցեր: Նրանք նաև աշխատում են օդային և ծովային պարեկության մեջ, ինչպես նաև ինքնավար անօդաչու թռչող սարքերի կառավարման համար: Արհեստական ինտելեկտը պաշտպանական արդյունաբերությանը տալիս է այնքան անհրաժեշտ խթան, որն անհրաժեշտ է իր տեխնոլոգիան ընդլայնելու համար: Ստորջրյա ականների առկայությունը հայտնաբերելու համար օգտագործվում են Convolutional Neural Networks (CNN):
Առավելությունները
- Նույնիսկ եթե մի քանի նեյրոններ նեյրոնային ցանցում ճիշտ չեն գործում, նեյրոնային ցանցերը դեռ ելքեր կստեղծեն:
- Նյարդային ցանցերն ունեն իրական ժամանակում սովորելու և իրենց փոփոխվող պարամետրերին հարմարվելու ունակություն:
- Նյարդային ցանցերը կարող են սովորել կատարել տարբեր առաջադրանքներ: Տրամադրված տվյալների հիման վրա ճիշտ արդյունք ապահովելու համար:
- Նյարդային ցանցերն ունեն միաժամանակ մի քանի առաջադրանքներ կատարելու ուժ և կարողություն:
Թերությունները
- Նյարդային ցանցերն օգտագործվում են խնդիրների լուծման համար։ Այն չի բացահայտում «ինչու և ինչպես» բացատրությունը, որը նա կայացրել է իր դատողությունները ցանցերի խճճվածության պատճառով: Արդյունքում ցանցի վստահությունը կարող է քայքայվել:
- Նյարդային ցանցի բաղադրիչները փոխկապակցված են միմյանցից: Այսինքն, նեյրոնային ցանցերը պահանջում են (կամ չափազանց կախված են դրանցից) բավարար հաշվողական հզորությամբ համակարգիչներ:
- Նյարդային ցանցի գործընթացը չունի հատուկ կանոն (կամ հիմնական կանոն): Փորձարկման և սխալի տեխնիկայի մեջ ցանցի ճիշտ կառուցվածքը ստեղծվում է՝ փորձելով օպտիմալ ցանցը: Դա մի ընթացակարգ է, որը պահանջում է մեծ ճշգրտում:
Եզրափակում
Դաշտը նյարդային ցանցեր արագորեն ընդլայնվում է. Չափազանց կարևոր է սովորել և ըմբռնել այս հատվածի հասկացությունները, որպեսզի կարողանանք հաղթահարել դրանք:
Նյարդային ցանցերի բազմաթիվ տեսակները լուսաբանվել են այս հոդվածում: Դուք կարող եք օգտագործել նեյրոնային ցանցերը՝ այլ ոլորտներում տվյալների հետ կապված խնդիրները լուծելու համար, եթե ավելին իմանաք այս կարգապահության մասին:
Թողնել գրառում