Turinys[Slėpti][Rodyti]
Iš pradžių buvo manoma, kad dirbtinis intelektas (AI) yra tolima svajonė, ateities technologija, tačiau tai nebėra.
Tai, kas anksčiau buvo tyrimų tema, dabar sprogsta realiame pasaulyje. AI dabar randama įvairiose vietose, įskaitant jūsų darbo vietą, mokyklą, bankus, ligonines ir net telefoną.
Tai yra savarankiškai vairuojančių transporto priemonių akys, Siri ir Alexa balsai, orų prognozavimo protai, robotų atliekamos operacijos rankos ir kt.
dirbtinis intelektas (AI) tampa įprastu šiuolaikinio gyvenimo bruožu. Per pastaruosius kelerius metus dirbtinis intelektas tapo svarbiu daugelio IT technologijų žaidėju.
Galiausiai AI naudoja neuroninį tinklą, kad išmoktų naujų dalykų.
Taigi šiandien mes sužinosime apie neuroninius tinklus, kaip jie veikia, jų tipus, programas ir daug daugiau.
Kas yra neuroninis tinklas?
In mašininis mokymasis, neuroninis tinklas yra programine įranga užprogramuotas dirbtinių neuronų tinklas. Jis bando imituoti žmogaus smegenis turėdamas daugybę „neuronų“, panašių į mūsų smegenų neuronus.
Pirmasis neuronų sluoksnis priims nuotraukas, vaizdo įrašus, garsą, tekstą ir kitas įvestis. Šie duomenys teka per visus lygius, o vieno sluoksnio išvestis patenka į kitą. Tai labai svarbu atliekant sudėtingiausias užduotis, pvz., natūralios kalbos apdorojimą mašininiam mokymuisi.
Tačiau kitais atvejais pageidautina siekti sistemos glaudinimo, kad būtų sumažintas modelio dydis, išlaikant tikslumą ir efektyvumą. Neuroninio tinklo genėjimas yra glaudinimo metodas, apimantis svorių pašalinimą iš išmokto modelio. Apsvarstykite dirbtinio intelekto neuroninį tinklą, kuris buvo išmokytas atskirti žmones nuo gyvūnų.
Pirmuoju neuronų sluoksniu paveikslas bus padalintas į šviesias ir tamsias dalis. Šie duomenys bus perduoti į kitą sluoksnį, kuris nustatys, kur yra kraštai.
Kitas sluoksnis bandys atpažinti formas, kurias sukūrė briaunų derinys. Remiantis duomenimis, kuriais jis buvo apmokytas, duomenys panašiu būdu pereis per daugybę sluoksnių, kad būtų galima nustatyti, ar jūsų pateiktame vaizde pavaizduotas žmogus ar gyvūnas.
Kai duomenys pateikiami į neuroninį tinklą, jis pradeda juos apdoroti. Po to duomenys apdorojami per lygius, kad būtų pasiektas norimas rezultatas. Neuroninis tinklas yra mašina, kuri mokosi iš struktūrinės įvesties ir rodo rezultatus. Yra trys mokymosi tipai, kurie gali vykti neuroniniuose tinkluose:
- Prižiūrimas mokymasis – įvesties ir išvesties algoritmams suteikiami naudojant pažymėtus duomenis. Išmokę analizuoti duomenis, jie prognozuoja numatomą rezultatą.
- Mokymasis be priežiūros – ANN mokosi be žmogaus pagalbos. Nėra pažymėtų duomenų, o išvestis nustatoma pagal išvesties duomenų šablonus.
- Stiprinimo mokymasis yra tada, kai tinklas mokosi iš gautų atsiliepimų.
Kaip veikia neuroniniai tinklai?
Dirbtiniai neuronai naudojami neuroniniuose tinkluose, kurie yra sudėtingos sistemos. Dirbtiniai neuronai, taip pat žinomi kaip perceptronai, sudaryti iš šių komponentų:
- Indėlis
- Svoris
- Šališkumas
- Aktyvinimo funkcija
- produkcija
Neuronų sluoksniai, sudarantys neuroninius tinklus. Neuroninį tinklą sudaro trys sluoksniai:
- Įvesties sluoksnis
- Paslėptas sluoksnis
- Išvesties sluoksnis
Skaitinės reikšmės duomenys siunčiami į įvesties sluoksnį. Tinklo paslėpti sluoksniai atlieka daugiausiai skaičiavimų. Išvesties sluoksnis, paskutinis, bet ne mažiau svarbus dalykas, prognozuoja rezultatą. Neuronai dominuoja vienas kitam neuroniniame tinkle. Kiekvienam sluoksniui sukurti naudojami neuronai. Duomenys nukreipiami į paslėptą sluoksnį, kai juos gauna įvesties sluoksnis.
Kiekvienam įėjimui pritaikomi svoriai. Paslėptuose neuroninio tinklo sluoksniuose svoris yra reikšmė, verčianti gaunamus duomenis. Svoriai veikia padaugindami įvesties duomenis iš svorio reikšmės įvesties sluoksnyje.
Tada pradedama pirmojo paslėpto sluoksnio reikšmė. Įvesties duomenys transformuojami ir perduodami kitam sluoksniui per paslėptus sluoksnius. Išvesties sluoksnis yra atsakingas už galutinio rezultato generavimą. Įvesties duomenys ir svoriai padauginami, o rezultatas pateikiamas paslėpto sluoksnio neuronams kaip suma. Kiekvienam neuronui suteikiamas poslinkis. Norėdami apskaičiuoti bendrą sumą, kiekvienas neuronas prideda gaunamas įvestis.
Po to reikšmė perduodama per aktyvinimo funkciją. Aktyvinimo funkcijos rezultatas lemia, ar neuronas suaktyvintas, ar ne. Kai neuronas yra aktyvus, jis siunčia informaciją į kitus sluoksnius. Šiuo metodu duomenys kuriami tinkle, kol neuronas pasiekia išvesties sluoksnį. Į priekį platinimas yra kitas terminas.
Duomenų tiekimo į įvesties mazgą ir išvesties gavimo per išvesties mazgą technika yra žinoma kaip sklidimas pirmyn. Kai įvesties duomenis priima paslėptasis sluoksnis, įvyksta sklidimas pirmyn. Jis apdorojamas pagal aktyvinimo funkciją ir perduodamas į išvestį.
Rezultatą su didžiausia tikimybe numato išvesties sluoksnyje esantis neuronas. Atgalinis sklidimas įvyksta, kai išvestis yra neteisinga. Kuriant neuroninį tinklą, kiekvienos įvesties svoriai inicijuojami. Atgalinis platinimas – tai kiekvienos įvesties svorio koregavimo procesas, siekiant sumažinti klaidų skaičių ir pateikti tikslesnę išvestį.
Neuroninių tinklų tipai
1. Perceptronas
Minsky-Papert perceptronų modelis yra vienas paprasčiausių ir seniausių neuronų modelių. Tai mažiausias neuroninio tinklo vienetas, kuris atlieka tam tikrus skaičiavimus, siekdamas atrasti gaunamų duomenų charakteristikas ar verslo intelektą. Norint gauti galutinį rezultatą, reikia svertinių įvesties duomenų ir pritaiko aktyvinimo funkciją. TLU (slenksčio loginis vienetas) yra kitas perceptrono pavadinimas.
Perceptron yra dvejetainis klasifikatorius, kuris yra prižiūrima mokymosi sistema, padalijanti duomenis į dvi grupes. Loginiai vartai pvz., AND, OR ir NAND, gali būti įgyvendinami su perceptronais.
2. Neuroninis tinklas
Pati paprasčiausia neuroninių tinklų versija, kurioje įvesties duomenys teka tik viena kryptimi, eina per dirbtinius neuroninius mazgus ir išeina per išvesties mazgus. Įvesties ir išvesties sluoksniai yra tose vietose, kur paslėptų sluoksnių gali būti arba nebūti. Remiantis tuo, juos galima apibūdinti kaip vieno sluoksnio arba daugiasluoksnį grįžtamąjį neuroninį tinklą.
Naudojamų sluoksnių skaičius priklauso nuo funkcijos sudėtingumo. Jis sklinda tik į priekį viena kryptimi ir nesklinda atgal. Čia svoriai išlieka pastovūs. Įvesties duomenys padauginami iš svorių, kad būtų suteikta aktyvinimo funkcija. Tam naudojama klasifikavimo aktyvinimo funkcija arba aktyvinimo žingsniu funkcija.
3. Daugiasluoksnis perceptronas
Įvadas į sudėtingą neuroniniai tinklai, kuriame įvesties duomenys nukreipiami per daug dirbtinių neuronų sluoksnių. Tai visiškai susietas neuroninis tinklas, nes kiekvienas mazgas yra prijungtas prie visų kito sluoksnio neuronų. Įvesties ir išvesties sluoksniuose yra keli paslėpti sluoksniai, ty mažiausiai trys ar daugiau sluoksnių.
Jis turi dvikryptį sklidimą, o tai reiškia, kad jis gali sklisti tiek pirmyn, tiek atgal. Įvesties duomenys padauginami iš svorių ir siunčiami į aktyvinimo funkciją, kur jie keičiami atgaline tvarka, kad būtų sumažintas nuostolis.
Svoriai yra mašininiu būdu išmoktos vertės iš neuroninių tinklų, paprasčiau tariant. Priklausomai nuo skirtumo tarp laukiamų rezultatų ir mokymo įvesties, jie prisitaiko patys. Softmax naudojama kaip išvesties sluoksnio aktyvinimo funkcija po netiesinio aktyvinimo funkcijų.
4. Konvoliucinis neuroninis tinklas
Priešingai nei tradicinis dvimatis masyvas, konvoliucijos neuronų tinklas turi trimatę neuronų konfigūraciją. Pirmasis sluoksnis yra žinomas kaip konvoliucinis sluoksnis. Kiekvienas konvoliucinio sluoksnio neuronas apdoroja informaciją tik iš ribotos regėjimo lauko dalies. Kaip ir filtras, įvesties funkcijos paimamos paketiniu režimu.
Tinklas supranta paveikslėlius dalimis ir gali atlikti šiuos veiksmus daugybę kartų, kad užbaigtų visą vaizdo apdorojimą.
Apdorojimo metu vaizdas iš RGB arba HSI konvertuojamas į pilkos spalvos tonus. Tolesni pikselių vertės kitimai padės aptikti kraštus, o nuotraukas galima rūšiuoti į kelias grupes. Vienakryptis sklidimas įvyksta, kai CNN yra vienas ar daugiau konvoliucinių sluoksnių, po kurių seka telkimas, o dvikryptis sklidimas įvyksta, kai konvoliucijos sluoksnio išvestis siunčiama į visiškai prijungtą neuroninį tinklą vaizdo klasifikavimui.
Norint išgauti tam tikrus vaizdo elementus, naudojami filtrai. MLP įvestys yra pasvertos ir pateikiamos į aktyvinimo funkciją. RELU naudojamas konvoliucijoje, o MLP naudoja netiesinę aktyvinimo funkciją, po kurios seka softmax. Vaizdo ir vaizdo atpažinimo, semantinio analizavimo ir parafrazių aptikimo srityse konvoliuciniai neuroniniai tinklai duoda puikių rezultatų.
5. Radialinis poslinkis tinklas
Po įvesties vektoriaus seka RBF neuronų sluoksnis ir išvesties sluoksnis su po vieną mazgą kiekvienai radialinio pagrindo funkcijų tinklo kategorijai. Įvestis klasifikuojama lyginant ją su duomenų taškais iš mokymo rinkinio, kur kiekvienas neuronas palaiko prototipą. Tai vienas iš mokymo rinkinio pavyzdžių.
Kiekvienas neuronas apskaičiuoja euklidinį atstumą tarp įvesties ir jo prototipo, kai turi būti klasifikuojamas naujas įvesties vektorius [n-matmens vektorius, kurį bandote suskirstyti į kategorijas]. Jei turime dvi klases – A ir B klasę, nauja įvestis, kurią reikia suskirstyti į kategorijas, yra panašesnė į A klasės prototipus nei į B klasės prototipus.
Dėl to jis gali būti pažymėtas arba priskirtas A klasei.
6. Pasikartojantis neuroninis tinklas
Pasikartojantys neuroniniai tinklai skirti išsaugoti sluoksnio išvestį ir grąžinti ją į įvestį, kad būtų lengviau prognozuoti sluoksnio rezultatą. Perdavimas pirmyn neuroninis tinklas paprastai yra pradinis sluoksnis, po kurio seka pasikartojantis neuroninio tinklo sluoksnis, kuriame atminties funkcija prisimena dalį informacijos, kurią turėjo ankstesniame laiko etape.
Šiame scenarijuje naudojamas sklidimas pirmyn. Tai išsaugo duomenis, kurių prireiks ateityje. Jei prognozė yra neteisinga, mokymosi greitis naudojamas nedideliems koregavimams atlikti. Dėl to, progresuojant atgaliniam dauginimui, jis taps vis tikslesnis.
Programos
Neuroniniai tinklai naudojami duomenų problemoms spręsti įvairiose srityse; kai kurie pavyzdžiai pateikti žemiau.
- Veido atpažinimas – veido atpažinimo sprendimai yra veiksmingos stebėjimo sistemos. Atpažinimo sistemos susieja skaitmenines nuotraukas su žmonių veidais. Jie naudojami biuruose atrankiniam įvažiavimui. Taigi sistemos patikrina žmogaus veidą ir lygina jį su duomenų bazėje saugomu ID sąrašu.
- Akcijų numatymas – investicijoms kyla rinkos rizika. Praktiškai sunku numatyti būsimus pokyčius itin nepastovioje akcijų rinkoje. Prieš neuroninius tinklus nuolat besikeičiančios didėjimo ir kritimo fazės buvo nenuspėjamos. Bet kas viską pakeitė? Žinoma, mes kalbame apie neuroninius tinklus... Daugiasluoksnė Perceptron MLP (tam tikros rūšies dirbtinio intelekto sistema) naudojama sėkmingai akcijų prognozei realiuoju laiku sukurti.
- Social Media – Kad ir kaip keistai tai skambėtų, socialinė žiniasklaida pakeitė kasdienį egzistavimo kelią. Socialinių tinklų vartotojų elgesys tiriamas naudojant dirbtinius neuroninius tinklus. Konkurencinei analizei kasdien per virtualią sąveiką teikiami duomenys kaupiami ir tiriami. Socialinių tinklų vartotojų veiksmus atkartoja neuroniniai tinklai. Asmenų elgesys gali būti susietas su žmonių išlaidų modeliais, kai duomenys analizuojami per socialinės žiniasklaidos tinklus. Duomenys iš socialinės žiniasklaidos programų išgaunami naudojant Multilayer Perceptron ANN.
- Sveikatos priežiūra – Asmenys šiuolaikiniame pasaulyje naudojasi technologijų teikiama nauda sveikatos priežiūros pramonėje. Sveikatos priežiūros versle konvoliuciniai neuroniniai tinklai naudojami rentgeno spindulių aptikimui, KT nuskaitymui ir ultragarsui. Medicininio vaizdo duomenys, gauti iš minėtų testų, yra vertinami ir vertinami naudojant neuroninių tinklų modelius, nes CNN naudojamas vaizdo apdorojimui. Kuriant balso atpažinimo sistemas taip pat naudojamas pasikartojantis neuroninis tinklas (RNN).
- Orų ataskaita – iki dirbtinio intelekto diegimo meteorologijos skyriaus prognozės niekada nebuvo tikslios. Orų prognozavimas daugiausia atliekamas siekiant numatyti oro sąlygas, kurios įvyks ateityje. Orų prognozės naudojamos siekiant numatyti stichinių nelaimių tikimybę šiuolaikiniame laikotarpyje. Orų prognozavimas atliekamas naudojant daugiasluoksnius perceptronus (MLP), konvoliucinius neuroninius tinklus (CNN) ir pasikartojančius neuroninius tinklus (RNN).
- Gynyba – Logistika, ginkluoto puolimo analizė ir daiktų vieta naudoja neuroninius tinklus. Jie taip pat dirba oro ir jūrų patruliuose, taip pat valdo autonominius dronus. Dirbtinis intelektas suteikia gynybos pramonei labai reikalingą postūmį, kurio reikia norint išplėsti savo technologijas. Povandeninių minų aptikimui naudojami konvoliuciniai neuroniniai tinklai (CNN).
Privalumai
- Net jei keli neuronai neuroniniame tinkle neveikia tinkamai, neuroniniai tinklai vis tiek generuos išvestis.
- Neuroniniai tinklai turi galimybę mokytis realiuoju laiku ir prisitaikyti prie besikeičiančių nustatymų.
- Neuroniniai tinklai gali išmokti atlikti įvairias užduotis. Pateikti teisingą rezultatą remiantis pateiktais duomenimis.
- Neuroniniai tinklai turi jėgų ir galimybių vienu metu atlikti kelias užduotis.
Trūkumai
- Neuroniniai tinklai naudojami problemoms spręsti. Jame neatskleidžiamas paaiškinimas „kodėl ir kaip“ jis priėmė sprendimus dėl tinklų sudėtingumo. Dėl to gali sumažėti tinklo pasitikėjimas.
- Neuroninio tinklo komponentai yra vienas nuo kito priklausomi. Tai reiškia, kad neuroniniams tinklams reikalingi (arba jie labai priklausomi) kompiuteriai, turintys pakankamai skaičiavimo galios.
- Neuroninio tinklo procesas neturi konkrečios taisyklės (arba nykščio taisyklės). Taikant bandymų ir klaidų metodą, teisinga tinklo struktūra nustatoma bandant optimalų tinklą. Tai procedūra, kurią reikia daug koreguoti.
Išvada
Laukas neuroniniai tinklai sparčiai plečiasi. Labai svarbu išmokti ir suprasti šio sektoriaus sąvokas, kad būtų galima su jomis susidoroti.
Šiame straipsnyje aptariami įvairūs neuroninių tinklų tipai. Norėdami išspręsti duomenų problemas kitose srityse, galite naudoti neuroninius tinklus, jei sužinosite daugiau apie šią discipliną.
Palikti atsakymą