ປັນຍາປະດິດ (AI) ໃນເບື້ອງຕົ້ນຄິດວ່າເປັນຄວາມຝັນທີ່ໄກ, ເຕັກໂນໂລຢີສໍາລັບອະນາຄົດ, ແຕ່ນັ້ນບໍ່ແມ່ນກໍລະນີ.
ສິ່ງທີ່ເຄີຍເປັນຫົວຂໍ້ການຄົ້ນຄວ້າໃນປັດຈຸບັນກໍາລັງລະເບີດຢູ່ໃນໂລກທີ່ແທ້ຈິງ. ໃນປັດຈຸບັນ AI ໄດ້ຖືກພົບເຫັນຢູ່ໃນຫຼາຍໆບ່ອນ, ລວມທັງບ່ອນເຮັດວຽກ, ໂຮງຮຽນ, ທະນາຄານ, ໂຮງຫມໍ, ແລະແມ້ກະທັ້ງໂທລະສັບຂອງທ່ານ.
ພວກເຂົາເປັນສາຍຕາຂອງຍານພາຫະນະທີ່ຂັບລົດດ້ວຍຕົນເອງ, ສຽງຂອງ Siri ແລະ Alexa, ຈິດໃຈທີ່ຢູ່ເບື້ອງຫຼັງການພະຍາກອນອາກາດ, ມືທີ່ຢູ່ເບື້ອງຫຼັງການຜ່າຕັດດ້ວຍຫຸ່ນຍົນ, ແລະອື່ນໆອີກ.
ປັນຍາປະດິດ (AI) ກາຍເປັນລັກສະນະທົ່ວໄປຂອງຊີວິດທີ່ທັນສະໄຫມ. ໃນຊຸມປີມໍ່ໆມານີ້, AI ໄດ້ປະກົດຕົວເປັນຜູ້ນທີ່ສໍາຄັນໃນຄວາມຫລາກຫລາຍຂອງເຕັກໂນໂລຢີ IT.
ສຸດທ້າຍ, ເຄືອຂ່າຍ neural ຖືກນໍາໃຊ້ໂດຍ AI ເພື່ອຮຽນຮູ້ສິ່ງໃຫມ່.
ດັ່ງນັ້ນມື້ນີ້ພວກເຮົາຈະຮຽນຮູ້ກ່ຽວກັບ Neural Networks, ວິທີການເຮັດວຽກ, ປະເພດຂອງມັນ, ຄໍາຮ້ອງສະຫມັກ, ແລະອື່ນໆອີກ.
Neural Network ແມ່ນຫຍັງ?
In ການຮຽນຮູ້ເຄື່ອງຈັກ, ເຄືອຂ່າຍ neural ເປັນເຄືອຂ່າຍຊອບແວໂຄງການຂອງ neurons ທຽມ. ມັນພະຍາຍາມຮຽນແບບສະ ໝອງ ຂອງມະນຸດໂດຍການມີ“ ນິວຣອນ” ຫຼາຍຊັ້ນ, ເຊິ່ງຄ້າຍຄືກັບ neurons ໃນສະ ໝອງ ຂອງພວກເຮົາ.
ຊັ້ນທໍາອິດຂອງ neurons ຈະຍອມຮັບຮູບພາບ, ວິດີໂອ, ສຽງ, ຂໍ້ຄວາມ, ແລະວັດສະດຸປ້ອນອື່ນໆ. ຂໍ້ມູນນີ້ໄຫຼຜ່ານທຸກລະດັບ, ໂດຍມີຜົນຜະລິດຂອງຊັ້ນໜຶ່ງໄຫຼໄປສູ່ຊັ້ນຕໍ່ໄປ. ນີ້ແມ່ນສິ່ງສໍາຄັນສໍາລັບວຽກງານທີ່ມີຄວາມຫຍຸ້ງຍາກທີ່ສຸດ, ເຊັ່ນ: ການປຸງແຕ່ງພາສາທໍາມະຊາດສໍາລັບການຮຽນຮູ້ເຄື່ອງຈັກ.
ຢ່າງໃດກໍຕາມ, ໃນກໍລະນີອື່ນໆ, ຈຸດປະສົງສໍາລັບການບີບອັດລະບົບເພື່ອຫຼຸດຜ່ອນຂະຫນາດຕົວແບບໃນຂະນະທີ່ການຮັກສາຄວາມຖືກຕ້ອງແລະປະສິດທິພາບແມ່ນມັກ. Pruning ເຄືອຂ່າຍ neural ເປັນວິທີການບີບອັດທີ່ປະກອບມີການເອົານ້ໍາຫນັກອອກຈາກຕົວແບບທີ່ໄດ້ຮຽນຮູ້. ພິຈາລະນາເຄືອຂ່າຍ neural ປັນຍາປະດິດທີ່ໄດ້ຮັບການຝຶກອົບຮົມເພື່ອຈໍາແນກຄົນຈາກສັດ.
ຮູບພາບຈະຖືກແບ່ງອອກເປັນສ່ວນທີ່ສົດໃສແລະຊ້ໍາໂດຍຊັ້ນທໍາອິດຂອງ neurons. ຂໍ້ມູນນີ້ຈະຖືກສົ່ງເຂົ້າໄປໃນຊັ້ນດັ່ງຕໍ່ໄປນີ້, ເຊິ່ງຈະກໍານົດບ່ອນທີ່ແຄມແມ່ນ.
ຊັ້ນຕໍ່ໄປຈະພະຍາຍາມຮັບຮູ້ຮູບແບບທີ່ປະສົມປະສານຂອງຂອບໄດ້ຖືກສ້າງຂຶ້ນ. ອີງຕາມຂໍ້ມູນທີ່ໄດ້ຮັບການຝຶກອົບຮົມ, ຂໍ້ມູນຈະຜ່ານຫຼາຍຊັ້ນໃນລັກສະນະຄ້າຍຄືກັນເພື່ອກໍານົດວ່າຮູບພາບທີ່ທ່ານນໍາສະເຫນີແມ່ນຂອງມະນຸດຫຼືສັດ.
ເມື່ອຂໍ້ມູນຖືກມອບເຂົ້າໃນເຄືອຂ່າຍ neural, ມັນຈະເລີ່ມປະມວນຜົນມັນ. ຫຼັງຈາກນັ້ນ, ຂໍ້ມູນຈະຖືກປະມວນຜົນໂດຍຜ່ານລະດັບຂອງມັນເພື່ອໃຫ້ໄດ້ຜົນທີ່ຕ້ອງການ. ເຄືອຂ່າຍ neural ແມ່ນເຄື່ອງຈັກທີ່ຮຽນຮູ້ຈາກການປ້ອນຂໍ້ມູນທີ່ມີໂຄງສ້າງແລະສະແດງຜົນໄດ້ຮັບ. ມີສາມປະເພດຂອງການຮຽນຮູ້ທີ່ສາມາດເກີດຂຶ້ນໃນເຄືອຂ່າຍ neural:
- ການຮຽນຮູ້ທີ່ມີການເບິ່ງແຍງ – ວັດສະດຸປ້ອນ ແລະຜົນໄດ້ຮັບແມ່ນມອບໃຫ້ກັບລະບົບວິທີການໂດຍໃຊ້ຂໍ້ມູນທີ່ມີປ້າຍກຳກັບ. ຫຼັງຈາກໄດ້ຮັບການສອນວິທີການວິເຄາະຂໍ້ມູນ, ພວກເຂົາເຈົ້າຄາດຄະເນຜົນໄດ້ຮັບທີ່ຕັ້ງໄວ້.
- ການຮຽນຮູ້ແບບບໍ່ມີການຄວບຄຸມ – ANN ຮຽນຮູ້ໂດຍບໍ່ມີການຊ່ວຍເຫຼືອຈາກມະນຸດ. ບໍ່ມີຂໍ້ມູນທີ່ມີປ້າຍຊື່, ແລະຜົນຜະລິດແມ່ນການຕັດສິນໃຈໂດຍຮູບແບບທີ່ພົບໃນຂໍ້ມູນຜົນຜະລິດ.
- ການຮຽນຮູ້ການເສີມສ້າງ ແມ່ນເວລາທີ່ເຄືອຂ່າຍຮຽນຮູ້ຈາກຄໍາຄຶດຄໍາເຫັນທີ່ມັນໄດ້ຮັບ.
ເຄືອຂ່າຍ Neural ເຮັດວຽກແນວໃດ?
neurons ທຽມຖືກນໍາໃຊ້ໃນເຄືອຂ່າຍ neural, ເຊິ່ງເປັນລະບົບທີ່ຊັບຊ້ອນ. neurons ທຽມ, ເອີ້ນກັນວ່າ perceptrons, ແມ່ນປະກອບດ້ວຍອົງປະກອບດັ່ງຕໍ່ໄປນີ້:
- ການປ້ອນຂໍ້ມູນ
- ນ້ໍາ
- Bias
- ຟັງຊັນການເປີດໃຊ້ງານ
- ຜົນຜະລິດ
ຊັ້ນຂອງ neurons ທີ່ປະກອບເປັນເຄືອຂ່າຍ neural. ເຄືອຂ່າຍ neural ປະກອບດ້ວຍສາມຊັ້ນ:
- ຊັ້ນຂໍ້ມູນເຂົ້າ
- ຊັ້ນທີ່ເຊື່ອງໄວ້
- ຊັ້ນຜົນຜະລິດ
ຂໍ້ມູນໃນຮູບແບບຂອງຄ່າຕົວເລກຖືກສົ່ງໄປຫາຊັ້ນນໍາເຂົ້າ. ຊັ້ນທີ່ເຊື່ອງໄວ້ຂອງເຄືອຂ່າຍແມ່ນຊັ້ນທີ່ເຮັດການຄິດໄລ່ຫຼາຍທີ່ສຸດ. ຊັ້ນຜົນຜະລິດ, ສຸດທ້າຍແຕ່ບໍ່ໄດ້ຢ່າງຫນ້ອຍ, ຄາດຄະເນຜົນໄດ້ຮັບ. Neurons ຄອບງໍາກັນແລະກັນໃນເຄືອຂ່າຍ neural. Neurons ຖືກນໍາໃຊ້ເພື່ອສ້າງແຕ່ລະຊັ້ນ. ຂໍ້ມູນແມ່ນຖືກສົ່ງໄປຫາຊັ້ນທີ່ເຊື່ອງໄວ້ຫຼັງຈາກຊັ້ນຂໍ້ມູນໄດ້ຮັບມັນ.
ນ້ຳໜັກຖືກນຳໃຊ້ກັບແຕ່ລະວັດສະດຸປ້ອນ. ພາຍໃນຊັ້ນທີ່ເຊື່ອງໄວ້ຂອງເຄືອຂ່າຍ neural, ນ້ໍາຫນັກແມ່ນຄ່າທີ່ແປຂໍ້ມູນທີ່ເຂົ້າມາ. ນ້ຳໜັກເຮັດວຽກໂດຍການຄູນຂໍ້ມູນການປ້ອນຂໍ້ມູນດ້ວຍຄ່ານ້ຳໜັກໃນຊັ້ນຂໍ້ມູນເຂົ້າ.
ຈາກນັ້ນມັນຈະເລີ່ມຄ່າຂອງຊັ້ນທີ່ເຊື່ອງໄວ້ທຳອິດ. ຂໍ້ມູນທີ່ປ້ອນເຂົ້າແມ່ນໄດ້ຮັບການຫັນປ່ຽນແລະສົ່ງໄປຍັງຊັ້ນອື່ນໆໂດຍຜ່ານຊັ້ນທີ່ເຊື່ອງໄວ້. ຊັ້ນຜົນຜະລິດແມ່ນຮັບຜິດຊອບສໍາລັບການສ້າງຜົນໄດ້ຮັບສຸດທ້າຍ. ວັດສະດຸປ້ອນແລະນ້ໍາຫນັກແມ່ນຄູນ, ແລະຜົນໄດ້ຮັບແມ່ນຖືກສົ່ງໄປຫາ neurons ຊັ້ນທີ່ເຊື່ອງໄວ້ເປັນຜົນລວມ. ແຕ່ລະ neuron ແມ່ນໄດ້ຮັບຄວາມລໍາອຽງ. ເພື່ອຄິດໄລ່ຈໍານວນທັງຫມົດ, ແຕ່ລະ neuron ເພີ່ມວັດສະດຸປ້ອນທີ່ມັນໄດ້ຮັບ.
ຫຼັງຈາກນັ້ນ, ມູນຄ່າຜ່ານຫນ້າທີ່ເປີດໃຊ້. ຜົນຂອງການທໍາງານການກະຕຸ້ນກໍານົດວ່າ neuron ໄດ້ຖືກກະຕຸ້ນຫຼືບໍ່. ເມື່ອ neuron ມີການເຄື່ອນໄຫວ, ມັນຈະສົ່ງຂໍ້ມູນໄປຍັງຊັ້ນອື່ນໆ. ຂໍ້ມູນຖືກສ້າງຂື້ນໃນເຄືອຂ່າຍຈົນກ່ວາ neuron ໄປຮອດຊັ້ນຜົນຜະລິດໂດຍໃຊ້ວິທີນີ້. ການຂະຫຍາຍພັນຕໍ່ໄປແມ່ນຄໍາສັບອື່ນສໍາລັບການນີ້.
ເຕັກນິກການປ້ອນຂໍ້ມູນເຂົ້າໄປໃນໂຫນດປ້ອນຂໍ້ມູນແລະການໄດ້ຮັບຜົນຜະລິດຜ່ານໂຫນດຜົນຜະລິດແມ່ນເອີ້ນວ່າການຂະຫຍາຍພັນຂອງ feed-forward. ເມື່ອຂໍ້ມູນການປ້ອນຂໍ້ມູນຖືກຍອມຮັບໂດຍຊັ້ນທີ່ເຊື່ອງໄວ້, ການຂະຫຍາຍພັນຂອງ feed-forward ເກີດຂຶ້ນ. ມັນໄດ້ຖືກປຸງແຕ່ງຕາມການທໍາງານຂອງການກະຕຸ້ນແລະຫຼັງຈາກນັ້ນສົ່ງກັບຜົນຜະລິດໄດ້.
ຜົນໄດ້ຮັບແມ່ນຄາດຄະເນໂດຍ neuron ໃນຊັ້ນຜົນຜະລິດທີ່ມີຄວາມເປັນໄປໄດ້ສູງສຸດ. Backpropagation ເກີດຂຶ້ນເມື່ອຜົນຜະລິດບໍ່ຖືກຕ້ອງ. ນ້ ຳ ໜັກ ແມ່ນຖືກເລີ່ມຕົ້ນໃສ່ແຕ່ລະວັດສະດຸປ້ອນໃນຂະນະທີ່ສ້າງເຄືອຂ່າຍ neural. Backpropagation ແມ່ນຂະບວນການແກ້ໄຂນ້ໍາຫນັກຂອງແຕ່ລະວັດສະດຸປ້ອນເພື່ອຫຼຸດຜ່ອນຄວາມຜິດພາດແລະໃຫ້ຜົນຜະລິດທີ່ຖືກຕ້ອງກວ່າ.
ປະເພດຂອງເຄືອຂ່າຍ Neural
1. Perceptron
ແບບຈໍາລອງ Minsky-Papert perceptron ແມ່ນຫນຶ່ງໃນຕົວແບບ neuron ທີ່ງ່າຍທີ່ສຸດແລະເກົ່າແກ່ທີ່ສຸດ. ມັນເປັນຫນ່ວຍບໍລິການທີ່ນ້ອຍທີ່ສຸດຂອງເຄືອຂ່າຍ neural ທີ່ປະຕິບັດການຄິດໄລ່ບາງຢ່າງເພື່ອຄົ້ນພົບຄຸນລັກສະນະຫຼືທາງທຸລະກິດໃນຂໍ້ມູນຂາເຂົ້າ. ມັນໃຊ້ເວລາການປ້ອນຂໍ້ມູນທີ່ມີນ້ໍາຫນັກແລະນໍາໃຊ້ຫນ້າທີ່ເປີດໃຊ້ວຽກເພື່ອໃຫ້ໄດ້ຜົນສຸດທ້າຍ. TLU (threshold logic unit) ແມ່ນຊື່ອື່ນສໍາລັບ perceptron.
Perceptron ເປັນຕົວຈັດປະເພດຄູ່ທີ່ເປັນລະບົບການຮຽນຮູ້ທີ່ມີການເບິ່ງແຍງເຊິ່ງແບ່ງຂໍ້ມູນອອກເປັນສອງກຸ່ມ. Logic Gates ເຊັ່ນ AND, OR, ແລະ NAND ສາມາດຖືກປະຕິບັດດ້ວຍ perceptrons.
2. Feed-Forward Neural Network
ຮຸ່ນພື້ນຖານທີ່ສຸດຂອງເຄືອຂ່າຍ neural, ເຊິ່ງຂໍ້ມູນການປ້ອນຂໍ້ມູນຈະໄຫຼໃນທິດທາງດຽວ, ຜ່ານທາງເສັ້ນປະສາດທຽມແລະອອກໂດຍຜ່ານຂໍ້ຜົນຜະລິດ. ຊັ້ນຂໍ້ມູນປ້ອນເຂົ້າ ແລະອອກມີຢູ່ໃນບ່ອນທີ່ມີຊັ້ນທີ່ເຊື່ອງໄວ້ ຫຼືອາດຈະບໍ່ມີຢູ່. ພວກເຂົາສາມາດຖືກສະແດງວ່າເປັນເຄືອຂ່າຍ neural feed-forward ຊັ້ນດຽວຫຼືຫຼາຍຊັ້ນໂດຍອີງໃສ່ນີ້.
ຈໍານວນຂອງຊັ້ນທີ່ໃຊ້ແມ່ນຖືກກໍານົດໂດຍຄວາມສັບສົນຂອງຫນ້າທີ່. ມັນພຽງແຕ່ຂະຫຍາຍພັນໄປຂ້າງຫນ້າໃນທິດທາງດຽວແລະບໍ່ໄດ້ຂະຫຍາຍພັນກັບຄືນໄປບ່ອນ. ຢູ່ທີ່ນີ້, ນ້ ຳ ໜັກ ຄົງທີ່. ວັດສະດຸປ້ອນແມ່ນຄູນດ້ວຍນ້ຳໜັກເພື່ອປ້ອນຟັງຊັນການເປີດໃຊ້ງານ. ຟັງຊັນການກະຕຸ້ນການຈັດປະເພດຫຼືຟັງຊັນການເປີດໃຊ້ຂັ້ນຕອນແມ່ນຖືກນໍາໃຊ້ເພື່ອເຮັດສິ່ງນີ້.
3. perceptron ຫຼາຍຊັ້ນ
ການແນະນໍາທີ່ຊັບຊ້ອນ ຕາຫນ່າງ neural, ເຊິ່ງຂໍ້ມູນການປ້ອນຂໍ້ມູນຖືກສົ່ງຜ່ານຫຼາຍຊັ້ນຂອງ neurons ປອມ. ມັນເປັນເຄືອຂ່າຍ neural ທີ່ເຊື່ອມໂຍງຢ່າງສົມບູນ, ນັບຕັ້ງແຕ່ທຸກ node ແມ່ນເຊື່ອມຕໍ່ກັບ neurons ທັງຫມົດໃນຊັ້ນຕໍ່ໄປນີ້. ຫຼາຍຊັ້ນທີ່ເຊື່ອງໄວ້, ie, ຢ່າງຫນ້ອຍສາມຊັ້ນຫຼືຫຼາຍກວ່ານັ້ນ, ມີຢູ່ໃນຊັ້ນຂໍ້ມູນເຂົ້າແລະຜົນຜະລິດ.
ມັນມີການຂະຫຍາຍພັນດ້ວຍສອງທິດທາງ, ຊຶ່ງຫມາຍຄວາມວ່າມັນສາມາດຂະຫຍາຍພັນໄດ້ທັງທາງຫນ້າແລະດ້ານຫລັງ. ວັດສະດຸປ້ອນແມ່ນຄູນດ້ວຍນ້ຳໜັກ ແລະຖືກສົ່ງໄປຫາຟັງຊັນການເປີດໃຊ້ງານ, ບ່ອນທີ່ພວກມັນຖືກປ່ຽນຜ່ານການຂະຫຍາຍພັນຄືນເພື່ອຫຼຸດການສູນເສຍ.
ນ້ຳໜັກແມ່ນຄ່າທີ່ຮຽນຮູ້ຈາກເຄື່ອງຈັກຈາກ Neural Networks, ເພື່ອເວົ້າງ່າຍໆ. ອີງຕາມຄວາມແຕກຕ່າງລະຫວ່າງຜົນໄດ້ຮັບທີ່ຄາດໄວ້ແລະວັດສະດຸປ້ອນການຝຶກອົບຮົມ, ພວກເຂົາປັບຕົວຕົນເອງ. Softmax ຖືກນໍາໃຊ້ເປັນຟັງຊັນການກະຕຸ້ນຊັ້ນຜົນຜະລິດຫຼັງຈາກຟັງຊັນການເປີດໃຊ້ງານທີ່ບໍ່ແມ່ນເສັ້ນ.
4. Convolutional Neural Network
ກົງກັນຂ້າມກັບ array ສອງມິຕິແບບດັ້ງເດີມ, ເຄືອຂ່າຍ neural convolution ມີການຕັ້ງຄ່າສາມມິຕິລະດັບຂອງ neurons. ຊັ້ນທໍາອິດແມ່ນເອີ້ນວ່າຊັ້ນ convolutional. ແຕ່ລະ neuron ໃນຊັ້ນ convolutional ພຽງແຕ່ປະມວນຜົນຂໍ້ມູນຈາກພາກສ່ວນຈໍາກັດຂອງພາກສະຫນາມສາຍຕາ. ເຊັ່ນດຽວກັນກັບຕົວກອງ, ຄຸນສົມບັດການປ້ອນຂໍ້ມູນຖືກປະຕິບັດໃນໂຫມດ batch.
ເຄືອຂ່າຍເຂົ້າໃຈຮູບພາບໃນພາກສ່ວນຕ່າງໆ ແລະສາມາດປະຕິບັດການເຫຼົ່ານີ້ຫຼາຍໆຄັ້ງເພື່ອສໍາເລັດການປະມວນຜົນຮູບພາບທັງໝົດ.
ຮູບພາບໄດ້ຖືກປ່ຽນຈາກ RGB ຫຼື HSI ເປັນສີເທົາໃນລະຫວ່າງການປະມວນຜົນ. ການປ່ຽນແປງເພີ່ມເຕີມຂອງຄ່າ pixels ລວງຈະຊ່ວຍໃນການກວດສອບຂອບ, ແລະຮູບພາບສາມາດຖືກຈັດຮຽງເປັນຫຼາຍກຸ່ມ. ການຂະຫຍາຍພັນດ້ວຍ unidirectional ເກີດຂຶ້ນເມື່ອ CNN ປະກອບດ້ວຍຫນຶ່ງຫຼືຫຼາຍຊັ້ນ convolutional ປະຕິບັດຕາມໂດຍ pooling, ແລະການຂະຫຍາຍພັນ bidirectional ເກີດຂຶ້ນໃນເວລາທີ່ຜົນຜະລິດຂອງຊັ້ນ convolution ຖືກສົ່ງໄປຫາເຄືອຂ່າຍ neural ເຊື່ອມຕໍ່ຢ່າງເຕັມສ່ວນສໍາລັບການຈັດປະເພດຮູບພາບ.
ເພື່ອສະກັດບາງອົງປະກອບຂອງຮູບພາບ, ຕົວກອງແມ່ນໃຊ້. ໃນ MLP, ວັດສະດຸປ້ອນໄດ້ຖືກນ້ໍາຫນັກແລະສະຫນອງເຂົ້າໃນຫນ້າທີ່ເປີດໃຊ້ງານ. RELU ຖືກນໍາໃຊ້ໃນ convolution, ໃນຂະນະທີ່ MLP ໃຊ້ຟັງຊັນການກະຕຸ້ນທີ່ບໍ່ແມ່ນເສັ້ນຕາມດ້ວຍ softmax. ໃນການຮັບຮູ້ຮູບພາບແລະວິດີໂອ, parsing semantic, ແລະ paraphrase ກວດພົບ, ເຄືອຂ່າຍ neural convolutional ຜະລິດຜົນໄດ້ຮັບທີ່ດີເລີດ.
5. ເຄືອຂ່າຍຄວາມລຳອຽງ radial
vector ຂາເຂົ້າແມ່ນປະຕິບັດຕາມໂດຍຊັ້ນຂອງ neurons RBF ແລະຊັ້ນຜົນຜະລິດທີ່ມີຫນຶ່ງ node ສໍາລັບແຕ່ລະປະເພດໃນເຄືອຂ່າຍຟັງຊັນ Radial Basis. ວັດສະດຸປ້ອນໄດ້ຖືກຈັດປະເພດໂດຍການປຽບທຽບມັນກັບຈຸດຂໍ້ມູນຈາກຊຸດການຝຶກອົບຮົມ, ບ່ອນທີ່ແຕ່ລະ neuron ຮັກສາຕົວແບບ. ນີ້ແມ່ນ ໜຶ່ງ ໃນຕົວຢ່າງຂອງຊຸດການຝຶກອົບຮົມ.
ແຕ່ລະ neuron ຄິດໄລ່ໄລຍະ Euclidean ລະຫວ່າງ input ແລະ prototype ຂອງມັນໃນເວລາທີ່ vector input ສົດ [ vector n-dimensional ທີ່ທ່ານພະຍາຍາມຈັດປະເພດ] ຕ້ອງໄດ້ຮັບການຈັດປະເພດ. ຖ້າພວກເຮົາມີສອງຊັ້ນຮຽນ, ຊັ້ນ A ແລະຊັ້ນ B, ວັດສະດຸປ້ອນໃຫມ່ທີ່ຈະຈັດປະເພດແມ່ນຄ້າຍຄືກັນກັບຕົວແບບຊັ້ນ A ຫຼາຍກ່ວາຕົວແບບຊັ້ນ B.
ດັ່ງນັ້ນ, ມັນອາດຈະຖືກຕິດສະຫຼາກ ຫຼືຈັດປະເພດເປັນປະເພດ A.
6. Recurrent Neural Network
Recurrent Neural Networks ຖືກອອກແບບເພື່ອບັນທຶກຜົນຜະລິດຂອງຊັ້ນຂໍ້ມູນ ແລະຈາກນັ້ນໃຫ້ມັນກັບເຂົ້າໄປໃນວັດສະດຸປ້ອນເພື່ອຊ່ວຍຄາດຄະເນຜົນຂອງຊັ້ນຂໍ້ມູນ. Feed-forward ເຄືອຂ່າຍ neural ປົກກະຕິແລ້ວແມ່ນຊັ້ນເບື້ອງຕົ້ນ, ຕິດຕາມມາດ້ວຍຊັ້ນເຄືອຂ່າຍ neural ທີ່ເກີດຂື້ນ, ບ່ອນທີ່ຟັງຊັນຫນ່ວຍຄວາມຈໍາຈື່ຈໍາສ່ວນຫນຶ່ງຂອງຂໍ້ມູນທີ່ມັນມີຢູ່ໃນຂັ້ນຕອນທີ່ຜ່ານມາ.
ສະຖານະການນີ້ໃຊ້ການຂະຫຍາຍພັນຕໍ່ໄປ. ມັນຊ່ວຍປະຢັດຂໍ້ມູນທີ່ຈະຕ້ອງການໃນອະນາຄົດ. ໃນກໍລະນີທີ່ການຄາດຄະເນບໍ່ຖືກຕ້ອງ, ອັດຕາການຮຽນຮູ້ແມ່ນໃຊ້ເພື່ອເຮັດໃຫ້ການປັບຕົວເລັກນ້ອຍ. ດັ່ງນັ້ນ, ເມື່ອການຂະຫຍາຍພັນໄດ້ກ້າວໄປຂ້າງໜ້າ, ມັນຈະມີຄວາມຖືກຕ້ອງຫຼາຍຂຶ້ນ.
ຄໍາຮ້ອງສະຫມັກ
ເຄືອຂ່າຍ neural ຖືກນໍາໃຊ້ເພື່ອແກ້ໄຂບັນຫາຂໍ້ມູນໃນຫຼາຍໆວິຊາ; ບາງຕົວຢ່າງແມ່ນສະແດງໃຫ້ເຫັນຂ້າງລຸ່ມນີ້.
- ການຮັບຮູ້ໃບໜ້າ – ການແກ້ໄຂການຮັບຮູ້ໃບໜ້າເຮັດໜ້າທີ່ເປັນລະບົບການເຝົ້າລະວັງຢ່າງມີປະສິດທິພາບ. ລະບົບການຮັບຮູ້ກ່ຽວຂ້ອງກັບຮູບພາບດິຈິຕອນກັບໃບຫນ້າຂອງມະນຸດ. ພວກມັນຖືກນໍາໃຊ້ໃນຫ້ອງການສໍາລັບການເລືອກເຂົ້າ. ດັ່ງນັ້ນ, ລະບົບກວດສອບໃບຫນ້າຂອງມະນຸດແລະປຽບທຽບມັນກັບບັນຊີລາຍຊື່ຂອງ ID ທີ່ເກັບໄວ້ໃນຖານຂໍ້ມູນຂອງມັນ.
- ການຄາດເດົາຫຼັກຊັບ – ການລົງທຶນມີຄວາມສ່ຽງຕໍ່ຕະຫຼາດ. ມັນເປັນການຍາກທີ່ຈະຄາດຄະເນການພັດທະນາໃນອະນາຄົດໃນຕະຫຼາດຫຼັກຊັບທີ່ມີການປ່ຽນແປງທີ່ສຸດ. ກ່ອນທີ່ຈະເຄືອຂ່າຍ neural, ໄລຍະ bullish ແລະ bearish ທີ່ມີການປ່ຽນແປງຢ່າງຕໍ່ເນື່ອງແມ່ນບໍ່ສາມາດຄາດເດົາໄດ້. ແຕ່, ສິ່ງທີ່ປ່ຽນແປງທຸກສິ່ງທຸກຢ່າງ? ແນ່ນອນ, ພວກເຮົາກໍາລັງເວົ້າກ່ຽວກັບເຄືອຂ່າຍ neural… A Multilayer Perceptron MLP (ປະເພດຂອງລະບົບປັນຍາປະດິດ feedforward) ຖືກນໍາໃຊ້ເພື່ອສ້າງການຄາດຄະເນຫຼັກຊັບທີ່ປະສົບຜົນສໍາເລັດໃນເວລາຈິງ.
- ສື່ສັງຄົມ - ໂດຍບໍ່ຄໍານຶງເຖິງວິທີທີ່ມັນອາດຟັງ, ສື່ມວນຊົນສັງຄົມໄດ້ປ່ຽນເສັ້ນທາງການມີຢູ່ຂອງໂລກ. ພຶດຕິກໍາຂອງຜູ້ໃຊ້ສື່ມວນຊົນສັງຄົມແມ່ນສຶກສາໂດຍໃຊ້ເຄືອຂ່າຍ neural ທຽມ. ສໍາລັບການວິເຄາະດ້ານການແຂ່ງຂັນ, ຂໍ້ມູນທີ່ສະຫນອງປະຈໍາວັນຜ່ານການໂຕ້ຕອບ virtual ໄດ້ຖືກລວບລວມແລະກວດສອບ. ການກະທໍາຂອງຜູ້ໃຊ້ສື່ມວນຊົນສັງຄົມແມ່ນ replicated ໂດຍເຄືອຂ່າຍ neural. ພຶດຕິກໍາຂອງບຸກຄົນສາມາດເຊື່ອມຕໍ່ກັບຮູບແບບການໃຊ້ຈ່າຍຂອງປະຊາຊົນເມື່ອຂໍ້ມູນຖືກວິເຄາະຜ່ານເຄືອຂ່າຍສື່ສັງຄົມ. ຂໍ້ມູນຈາກແອັບພລິເຄຊັນສື່ສັງຄົມແມ່ນຖືກຂຸດຄົ້ນໂດຍໃຊ້ Multilayer Perceptron ANN.
- ການດູແລສຸຂະພາບ - ບຸກຄົນໃນໂລກມື້ນີ້ກໍາລັງໃຊ້ປະໂຫຍດຂອງເຕັກໂນໂລຢີໃນອຸດສາຫະກໍາການດູແລສຸຂະພາບ. ໃນທຸລະກິດການດູແລສຸຂະພາບ, Convolutional Neural Networks ແມ່ນໃຊ້ສໍາລັບການກວດພົບ X-ray, CT scans ແລະ ultrasound. ຂໍ້ມູນການຖ່າຍຮູບທາງການແພດທີ່ໄດ້ຮັບຈາກການທົດສອບຂ້າງເທິງແມ່ນໄດ້ຖືກປະເມີນແລະປະເມີນໂດຍໃຊ້ຕົວແບບເຄືອຂ່າຍ neural, ຍ້ອນວ່າ CNN ຖືກໃຊ້ໃນການປຸງແຕ່ງຮູບພາບ. ໃນການພັດທະນາລະບົບການຮັບຮູ້ສຽງ, ເຄືອຂ່າຍ neural recurrent (RNN) ຍັງຖືກນໍາໃຊ້.
- ບົດລາຍງານສະພາບອາກາດ - ກ່ອນທີ່ຈະປະຕິບັດປັນຍາປະດິດ, ການຄາດຄະເນຂອງກົມອຸຕຸນິຍົມວິທະຍາບໍ່ເຄີຍມີຄວາມຊັດເຈນ. ການພະຍາກອນອາກາດແມ່ນເຮັດເປັນສ່ວນໃຫຍ່ເພື່ອຄາດຄະເນສະພາບອາກາດທີ່ຈະເກີດຂຶ້ນໃນອະນາຄົດ. ການຄາດຄະເນດິນຟ້າອາກາດແມ່ນຖືກນໍາໃຊ້ເພື່ອຄາດຄະເນຄວາມເປັນໄປໄດ້ຂອງໄພພິບັດທໍາມະຊາດໃນໄລຍະເວລາທີ່ທັນສະໄຫມ. ການພະຍາກອນອາກາດແມ່ນເຮັດໄດ້ໂດຍໃຊ້ multilayer perceptron (MLP), ເຄືອຂ່າຍ neural convolutional (CNN), ແລະເຄືອຂ່າຍ neural recurrent (RNN).
- ການປ້ອງກັນ - ການຂົນສົ່ງ, ການວິເຄາະການໂຈມຕີດ້ວຍອາວຸດ, ແລະສະຖານທີ່ລາຍການທັງຫມົດໃຊ້ເຄືອຂ່າຍ neural. ພວກເຂົາເຈົ້າຍັງມີວຽກເຮັດງານທໍາໃນການລາດຕະເວນທາງອາກາດແລະທາງທະເລ, ເຊັ່ນດຽວກັນກັບການຄຸ້ມຄອງ drones autonomous. ປັນຍາປະດິດແມ່ນໃຫ້ອຸດສາຫະກໍາປ້ອງກັນປະເທດໄດ້ຮັບການຊຸກຍູ້ທີ່ຈໍາເປັນຫຼາຍເພື່ອຍົກລະດັບເຕັກໂນໂລຢີຂອງຕົນ. ສໍາລັບການກວດສອບການມີຢູ່ຂອງລະເບີດຝັງດິນໃຕ້ນ້ໍາ, Convolutional Neural Networks (CNN) ຖືກນໍາໃຊ້.
ຂໍ້ດີ
- ເຖິງແມ່ນວ່າ neurons ຈໍານວນຫນ້ອຍໃນເຄືອຂ່າຍ neural ເຮັດວຽກບໍ່ຖືກຕ້ອງ, ເຄືອຂ່າຍ neural ຍັງຈະສ້າງຜົນໄດ້ຮັບ.
- ເຄືອຂ່າຍ neural ມີຄວາມສາມາດໃນການຮຽນຮູ້ໃນເວລາຈິງແລະປັບຕົວເຂົ້າກັບການປ່ຽນແປງຂອງພວກເຂົາ.
- ເຄືອຂ່າຍ neural ສາມາດຮຽນຮູ້ທີ່ຈະເຮັດຫຼາຍຫນ້າວຽກ. ເພື່ອໃຫ້ຜົນໄດ້ຮັບທີ່ຖືກຕ້ອງໂດຍອີງໃສ່ຂໍ້ມູນທີ່ສະຫນອງໃຫ້.
- ເຄືອຂ່າຍ neural ມີຄວາມເຂັ້ມແຂງແລະຄວາມສາມາດໃນການຈັດການກັບວຽກງານຫຼາຍຢ່າງໃນເວລາດຽວກັນ.
ຂໍ້ເສຍ
- ເຄືອຂ່າຍ neural ຖືກນໍາໃຊ້ເພື່ອແກ້ໄຂບັນຫາ. ມັນບໍ່ໄດ້ເປີດເຜີຍຄໍາອະທິບາຍທີ່ຢູ່ເບື້ອງຫລັງ "ເປັນຫຍັງແລະແນວໃດ" ມັນເຮັດໃຫ້ການຕັດສິນທີ່ມັນເຮັດຍ້ອນຄວາມຊັບຊ້ອນຂອງເຄືອຂ່າຍ. ດັ່ງນັ້ນ, ຄວາມໄວ້ວາງໃຈໃນເຄືອຂ່າຍອາດຈະຖືກທໍາລາຍ.
- ອົງປະກອບຂອງເຄືອຂ່າຍ neural ແມ່ນຂຶ້ນກັບກັນແລະກັນ. ນັ້ນແມ່ນ, ເຄືອຂ່າຍ neural ຕ້ອງການ (ຫຼືມີຄວາມເພິ່ງພໍໃຈທີ່ສຸດ) ຄອມພິວເຕີທີ່ມີພະລັງງານຄອມພິວເຕີ້ພຽງພໍ.
- ຂະບວນການເຄືອຂ່າຍ neural ບໍ່ມີກົດລະບຽບສະເພາະ (ຫຼືກົດລະບຽບຂອງ thumb). ໃນເຕັກນິກການທົດລອງແລະຄວາມຜິດພາດ, ໂຄງສ້າງເຄືອຂ່າຍທີ່ຖືກຕ້ອງຖືກສ້າງຕັ້ງຂຶ້ນໂດຍການພະຍາຍາມເຄືອຂ່າຍທີ່ດີທີ່ສຸດ. ມັນເປັນຂັ້ນຕອນທີ່ຮຽກຮ້ອງໃຫ້ມີການແກ້ໄຂຫຼາຍ.
ສະຫຼຸບ
ພາກສະຫນາມຂອງ ເຄືອຂ່າຍ neural ກໍາລັງຂະຫຍາຍຕົວຢ່າງໄວວາ. ມັນເປັນສິ່ງ ສຳ ຄັນທີ່ຈະຮຽນຮູ້ແລະເຂົ້າໃຈແນວຄວາມຄິດໃນຂະ ແໜງ ນີ້ເພື່ອໃຫ້ສາມາດຈັດການກັບພວກມັນໄດ້.
ຫຼາຍໆປະເພດຂອງເຄືອຂ່າຍ neural ໄດ້ຖືກກວມເອົາໃນບົດຄວາມນີ້. ທ່ານສາມາດນໍາໃຊ້ເຄືອຂ່າຍ neural ເພື່ອແກ້ໄຂບັນຫາຂໍ້ມູນໃນຂົງເຂດອື່ນໆຖ້າທ່ານຮຽນຮູ້ເພີ່ມເຕີມກ່ຽວກັບລະບຽບວິໄນນີ້.
ອອກຈາກ Reply ເປັນ