Мазмұны[Жасыру][Көрсету]
Жасанды интеллект (AI) бастапқыда алыс арман, болашаққа арналған технология деп есептелді, бірақ енді олай емес.
Бұрын зерттеу тақырыбы болған нәрсе қазір нақты әлемде жарылып жатыр. Жасанды интеллект енді әртүрлі жерлерде, соның ішінде жұмыс орнында, мектепте, банкте, ауруханаларда және тіпті телефонда кездеседі.
Олар өздігінен жүретін көліктердің көздері, Сири мен Алексаның дауыстары, ауа-райын болжаудың артындағы ақыл-ойлар, роботтың көмегімен хирургиялық араласудың артындағы қолдар және т.б.
жасанды интеллект (AI) қазіргі өмірдің әдеттегі ерекшелігіне айналуда. Соңғы бірнеше жылда AI IT технологияларының кең ауқымында негізгі ойыншы ретінде пайда болды.
Ақырында, нейрондық желіні AI жаңа нәрселерді үйрену үшін пайдаланады.
Сондықтан бүгін біз нейрондық желілер, оның қалай жұмыс істейтіні, олардың түрлері, қолданбалары және т.б. туралы білеміз.
Нейрондық желі дегеніміз не?
In машина оқыту, нейрондық желі – жасанды нейрондардың бағдарламалық бағдарламаланған желісі. Ол біздің миымыздағы нейрондарға ұқсас көптеген «нейрондардың» қабаттары бар адам миына еліктеуге тырысады.
Нейрондардың бірінші қабаты фотосуреттерді, бейнені, дыбысты, мәтінді және басқа енгізулерді қабылдайды. Бұл деректер бір қабаттың шығысы келесі деңгейге ағып, барлық деңгейлер арқылы өтеді. Бұл машиналық оқыту үшін табиғи тілді өңдеу сияқты ең қиын тапсырмалар үшін өте маңызды.
Дегенмен, басқа жағдайларда, дәлдік пен тиімділікті сақтай отырып, үлгі өлшемін азайту үшін жүйені қысуды мақсат еткен жөн. Нейрондық желіні кесу - үйренген үлгідегі салмақтарды жоюды қамтитын қысу әдісі. Адамдарды жануарлардан ажыратуға үйретілген жасанды интеллект нейрондық желісін қарастырайық.
Сурет нейрондардың бірінші қабаты арқылы ашық және қараңғы бөліктерге бөлінеді. Бұл деректер келесі қабатқа жіберіледі, ол жиектердің қай жерде екенін анықтайды.
Келесі қабат жиектер комбинациясы жасаған пішіндерді тануға тырысады. Ол оқытылған деректерге сәйкес, деректер сіз ұсынған суреттің адам немесе жануар екенін анықтау үшін ұқсас жолмен көптеген қабаттардан өтеді.
Деректер нейрондық желіге берілгенде, ол оны өңдей бастайды. Содан кейін қажетті нәтиже алу үшін деректер оның деңгейлері арқылы өңделеді. Нейрондық желі - бұл құрылымдық енгізуден үйренетін және нәтижелерді көрсететін машина. Нейрондық желілерде оқытудың үш түрі бар:
- Бақыланатын оқыту – таңбаланған деректерді пайдаланып алгоритмдерге кірістер мен шығыстар беріледі. Деректерді талдауды үйреткеннен кейін олар болжамды нәтижені болжайды.
- Бақылаусыз оқыту – ANN адамның көмегінсіз үйренеді. Белгіленген деректер жоқ және шығыс шығыс деректерінде табылған үлгілер арқылы анықталады.
- Арматуралық оқыту желі алған кері байланыстан сабақ алатын кезде.
Нейрондық желілер қалай жұмыс істейді?
Жасанды нейрондар күрделі жүйелер болып табылатын нейрондық желілерде қолданылады. Перцептрон деп те аталатын жасанды нейрондар келесі компоненттерден тұрады:
- енгізу
- салмақ
- Биас
- Белсендіру функциясы
- шығыс
Нейрондық желілерді құрайтын нейрондардың қабаттары. Нейрондық желі үш қабаттан тұрады:
- Енгізу қабаты
- Жасырын қабат
- Шығару қабаты
Кіріс деңгейіне сандық мән түріндегі деректер жіберіледі. Желінің жасырын қабаттары - ең көп есептеулер жасайтындар. Шығару деңгейі, ең соңғысы, нәтижені болжайды. Нейрондар нейрондық желіде бір-біріне үстемдік етеді. Әрбір қабатты құру үшін нейрондар қолданылады. Деректер кіріс қабаты оны алғаннан кейін жасырын қабатқа бағытталады.
Әрбір енгізуге салмақтар қолданылады. Нейрондық желінің жасырын қабаттарында салмақ кіріс деректерді аударатын мән болып табылады. Салмақтар кіріс деректерін кіріс деңгейіндегі салмақ мәніне көбейту арқылы жұмыс істейді.
Содан кейін ол бірінші жасырын қабаттың мәнін бастайды. Енгізілген деректер түрленіп, жасырын қабаттар арқылы басқа деңгейге беріледі. Шығару қабаты түпкілікті нәтижені жасауға жауап береді. Кірістер мен салмақтар көбейтіледі және нәтиже жасырын қабат нейрондарына қосынды ретінде жеткізіледі. Әрбір нейронға қиғаштық беріледі. Барлығын есептеу үшін әрбір нейрон алатын кірістерді қосады.
Осыдан кейін мән белсендіру функциясы арқылы өтеді. Белсендендіру функциясының нәтижесі нейронның белсендірілгенін немесе қосылмағанын анықтайды. Нейрон белсенді болған кезде ол ақпаратты басқа қабаттарға жібереді. Бұл әдіс арқылы нейрон шығыс деңгейіне жеткенше деректер желіде жасалады. Алға тарату - бұл үшін басқа термин.
Деректерді кіріс түйініне беру және шығыс түйін арқылы шығысты алу әдістемесі алға қарай тарату ретінде белгілі. Кіріс деректерін жасырын қабат қабылдағанда, алға қарай таралу орын алады. Ол белсендіру функциясына сәйкес өңделеді, содан кейін шығысқа беріледі.
Нәтижені ең жоғары ықтималдықпен шығыс қабатындағы нейрон болжайды. Кері таралу шығыс дұрыс болмаған кезде орын алады. Нейрондық желіні құру кезінде салмақтар әрбір кіріске инициализацияланады. Кері таралу – қателерді азайту және дәлірек шығуды қамтамасыз ету үшін әрбір кірістің салмағын қайта реттеу процесі.
Нейрондық желінің түрлері
1. Перцептрон
Мински-Паперт перцептрон моделі ең қарапайым және ең көне нейрондық модельдердің бірі болып табылады. Бұл кіріс деректердегі сипаттамаларды немесе іскерлік ақпаратты табу үшін белгілі бір есептеулерді орындайтын нейрондық желінің ең кіші бірлігі. Ол салмақты енгізулерді қабылдайды және соңғы нәтижені алу үшін белсендіру функциясын қолданады. TLU (шекті логикалық бірлік) - перцептронның басқа атауы.
Перцептрон – деректерді екі топқа бөлетін бақыланатын оқыту жүйесі болып табылатын екілік классификатор. Логикалық қақпалар ЖӘНЕ, НЕМЕСЕ және NAND сияқты перцептрондармен жүзеге асырылуы мүмкін.
2. Берілетін нейрондық желі
Кіріс деректері тек бір бағытта ағыны болатын нейрондық желілердің ең негізгі нұсқасы жасанды нейрондық түйіндер арқылы өтеді және шығыс түйіндері арқылы шығады. Кіріс және шығыс қабаттары жасырын қабаттар болуы немесе болмауы мүмкін жерлерде болады. Оларды осыған негізделген бір қабатты немесе көп деңгейлі нейрондық желі ретінде сипаттауға болады.
Қолданылатын қабаттардың саны функцияның күрделілігімен анықталады. Ол тек бір бағытта алға тарайды және артқа тарамайды. Мұнда салмақтар тұрақты болып қалады. Белсендіру функциясын беру үшін кірістер салмақтарға көбейтіледі. Бұл әрекетті орындау үшін жіктеуді белсендіру функциясы немесе қадамды белсендіру функциясы пайдаланылады.
3. Көпқабатты перцептрон
Күрделіге кіріспе нейрондық желілер, онда кіріс деректері жасанды нейрондардың көптеген қабаттары арқылы бағытталады. Бұл толығымен байланысты нейрондық желі, өйткені әрбір түйін келесі қабаттағы барлық нейрондарға қосылған. Кіріс және шығыс қабаттарында бірнеше жасырын қабаттар, яғни кемінде үш немесе одан да көп қабаттар бар.
Оның екі жақты таралу мүмкіндігі бар, яғни ол алға да, артқа да тарай алады. Енгізулер салмақпен көбейтіледі және белсендіру функциясына жіберіледі, онда жоғалтуды азайту үшін кері таралу арқылы өзгертіледі.
Салмақ - қарапайым тілмен айтқанда, нейрондық желілерден алынған машинада үйренген мәндер. Күтілетін нәтижелер мен оқу кірістері арасындағы сәйкессіздікке байланысты олар өздігінен реттеледі. Softmax сызықты емес белсендіру функцияларынан кейін шығыс қабатын белсендіру функциясы ретінде пайдаланылады.
4. Конволюциялық нейрондық желі
Дәстүрлі екі өлшемді массивтен айырмашылығы, конволюциялық нейрондық желі нейрондардың үш өлшемді конфигурациясына ие. Бірінші қабат конволюциялық қабат ретінде белгілі. Конволюциялық қабаттағы әрбір нейрон көру өрісінің шектеулі бөлігінен алынған ақпаратты ғана өңдейді. Сүзгі сияқты енгізу мүмкіндіктері пакеттік режимде алынады.
Желі бөлімдердегі суреттерді түсінеді және бүкіл кескін өңдеуді аяқтау үшін осы әрекеттерді бірнеше рет орындай алады.
Өңдеу кезінде сурет RGB немесе HSI режимінен сұр реңкке түрлендіріледі. Пиксель мәніндегі қосымша өзгерістер жиектерді анықтауға көмектеседі және суреттерді бірнеше топқа сұрыптауға болады. Бірбағытты таралу CNN бір немесе бірнеше конволюционды қабаттарды, одан кейін біріктіруді қамтитын кезде орын алады, ал қосбағытты таралу конволюциялық қабаттың шығысы кескінді жіктеу үшін толық қосылған нейрондық желіге жіберілген кезде орын алады.
Кескіннің белгілі бір элементтерін шығару үшін сүзгілер пайдаланылады. MLP жүйесінде кірістер өлшенеді және белсендіру функциясына беріледі. RELU конволюцияда қолданылады, ал MLP сызықты емес белсендіру функциясын пайдаланады, содан кейін softmax. Сурет пен бейнені тану, семантикалық талдау және парафразаны анықтауда конволюционды нейрондық желілер тамаша нәтижелер береді.
5. Радиалды қиғаш желі
Кіріс векторынан кейін RBF нейрондарының қабаты және радиалды негізгі функция желісіндегі әрбір санат үшін бір түйіні бар шығыс қабаты келеді. Кіріс оны әрбір нейрон прототипін сақтайтын оқу жинағындағы деректер нүктелерімен салыстыру арқылы жіктеледі. Бұл жаттығу жиынының мысалдарының бірі.
Әрбір нейрон жаңа кіріс векторын [санаттауға тырысып жатқан n өлшемді векторды] жіктеу қажет болғанда кіріс пен оның прототипі арасындағы евклидтік қашықтықты есептейді. Егер бізде екі класс, А және В кластары болса, санатқа жататын жаңа кіріс В класының прототиптеріне қарағанда А класының прототиптеріне көбірек ұқсайды.
Нәтижесінде, ол А класы ретінде белгіленуі немесе санатталуы мүмкін.
6. Қайталанатын нейрондық желі
Қайталанатын нейрондық желілер қабаттың шығысын сақтауға, содан кейін қабат нәтижесін болжауға көмектесу үшін оны кіріске қайтаруға арналған. Форвард нейрондық желі әдетте бастапқы деңгей, одан кейін қайталанатын нейрондық желі деңгейі, мұнда жад функциясы алдыңғы уақыт қадамында болған ақпараттың бір бөлігін есте сақтайды.
Бұл сценарий алға таратуды пайдаланады. Ол болашақта қажет болатын деректерді сақтайды. Болжау қате болған жағдайда, оқу жылдамдығы шамалы түзетулер енгізу үшін пайдаланылады. Нәтижесінде кері таралу ілгерілеген сайын ол дәлірек болады.
Бағдарламалар
Нейрондық желілер әртүрлі пәндердегі деректер мәселелерін өңдеу үшін қолданылады; кейбір мысалдар төменде көрсетілген.
- Бет-әлпетті тану – бетті тану шешімдері тиімді бақылау жүйесі ретінде қызмет етеді. Тану жүйелері сандық фотосуреттерді адам беттерімен байланыстырады. Олар кеңселерде селективті кіру үшін қолданылады. Осылайша, жүйелер адамның бетін тексереді және оны дерекқорында сақталған идентификаторлар тізімімен салыстырады.
- Акцияларды болжау – Инвестициялар нарықтық тәуекелдерге ұшырайды. Өте құбылмалы қор нарығындағы болашақ оқиғаларды болжау іс жүзінде қиын. Нейрондық желілерге дейін үнемі ауысатын бычий және аю фазаларын болжау мүмкін емес еді. Бірақ, бәрін не өзгертті? Әрине, біз нейрондық желілер туралы айтып отырмыз… Көпқабатты Perceptron MLP (берілетін жасанды интеллект жүйесінің бір түрі) нақты уақытта сәтті акциялар болжамын жасау үшін пайдаланылады.
- Social Media – Қаншалықты күлкілі көрінсе де, әлеуметтік желі өмір сүрудің қарапайым жолын өзгертті. Жасанды нейрондық желілер арқылы әлеуметтік желі қолданушыларының мінез-құлқы зерттеледі. Бәсекеге қабілетті талдау үшін виртуалды өзара әрекеттесу арқылы күнделікті жеткізілетін деректер жиналады және зерттеледі. Әлеуметтік желі қолданушыларының әрекетін нейрондық желілер қайталайды. Деректерді әлеуметтік медиа желілері арқылы талдағаннан кейін жеке адамдардың мінез-құлқын адамдардың шығыс үлгілеріне байланыстыруға болады. Әлеуметтік медиа қолданбаларынан алынған деректер Multilayer Perceptron ANN көмегімен өндіріледі.
- Денсаулық сақтау – Қазіргі әлемдегі адамдар денсаулық сақтау саласында технологияның артықшылықтарын пайдалануда. Денсаулық сақтау бизнесінде конволюционды нейрондық желілер рентген сәулелерін анықтау, компьютерлік томография және ультрадыбыстық зерттеу үшін қолданылады. Жоғарыда аталған сынақтардан алынған медициналық бейнелеу деректері нейрондық желі үлгілері арқылы бағаланады және бағаланады, өйткені CNN кескінді өңдеуде қолданылады. Дауысты тану жүйелерін жасауда қайталанатын нейрондық желі (RNN) да қолданылады.
- Ауа райы туралы есеп – Жасанды интеллект енгізілгенге дейін метеорологиялық департаменттің болжамдары ешқашан нақты болмаған. Ауа-райын болжау негізінен болашақта болатын ауа райы жағдайларын болжау үшін жасалады. Қазіргі кезеңдегі табиғи апаттардың ықтималдығын болжау үшін ауа райы болжамы қолданылады. Ауа райын болжау көпқабатты перцептронды (MLP), конволюционды нейрондық желілерді (CNN) және қайталанатын нейрондық желілерді (RNN) қолдану арқылы жүзеге асырылады.
- Қорғаныс - Логистика, қарулы шабуылды талдау және заттың орналасуы барлығы нейрондық желілерді пайдаланады. Олар сондай-ақ әуе және теңіз патрульдерінде, сондай-ақ автономды дрондарды басқаруда жұмыс істейді. Жасанды интеллект қорғаныс өнеркәсібіне өз технологиясын кеңейту үшін қажетті күш береді. Су астындағы миналардың бар-жоғын анықтау үшін конволюционды нейрондық желілер (CNN) қолданылады.
артықшылықтары
- Тіпті нейрондық желідегі бірнеше нейрондар дұрыс жұмыс істемесе де, нейрондық желілер әлі де шығыстарды жасайды.
- Нейрондық желілер нақты уақыт режимінде үйрену және олардың өзгеретін параметрлеріне бейімделу мүмкіндігіне ие.
- Нейрондық желілер әртүрлі тапсырмаларды орындауды үйрене алады. Берілген деректер негізінде дұрыс нәтижені қамтамасыз ету.
- Нейрондық желілердің бір уақытта бірнеше тапсырманы орындауға күші мен мүмкіндігі бар.
кемшіліктері
- Нейрондық желілер есептерді шешу үшін қолданылады. Ол желілердің күрделілігіне байланысты шешім қабылдаған «неге және қалай» деген түсініктемені ашпайды. Нәтижесінде желі сенімі жойылуы мүмкін.
- Нейрондық желінің құрамдас бөліктері бір-біріне тәуелді. Яғни, нейрондық желілер жеткілікті есептеу қуаты бар компьютерлерді талап етеді (немесе оларға өте тәуелді).
- Нейрондық желі процесінің арнайы ережесі (немесе негізгі ережесі) жоқ. Сынақ-қате әдісінде дұрыс желі құрылымы оңтайлы желіге әрекет жасау арқылы орнатылады. Бұл өте дәл реттеуді қажет ететін процедура.
қорытынды
далалық нейрондық желілер қарқынды түрде кеңейіп келеді. Олармен күресу үшін осы сектордағы ұғымдарды үйрену және түсіну өте маңызды.
Бұл мақалада нейрондық желілердің көптеген түрлері қарастырылған. Егер сіз осы пән туралы көбірек білсеңіз, басқа салалардағы деректер мәселелерін шешу үшін нейрондық желілерді пайдалана аласыз.
пікір қалдыру