Sākotnēji tika uzskatīts, ka mākslīgais intelekts (AI) ir tāls sapnis, nākotnes tehnoloģija, taču tā vairs nav.
Tas, kas kādreiz bija pētniecības tēma, tagad eksplodē reālajā pasaulē. AI tagad ir atrodams dažādās vietās, tostarp jūsu darba vietā, skolā, bankās, slimnīcās un pat tālrunī.
Tās ir pašbraucošu transportlīdzekļu acis, Siri un Alexa balsis, laikapstākļu prognozēšanas prāti, robotizētas operācijas rokas un daudz kas cits.
Mākslīgais intelekts (AI) kļūst par ikdienišķu mūsdienu dzīves iezīmi. Pēdējos gados mākslīgais intelekts ir kļuvis par nozīmīgu spēlētāju daudzu IT tehnoloģiju jomā.
Visbeidzot, AI izmanto neironu tīklu, lai apgūtu jaunas lietas.
Tāpēc šodien mēs uzzināsim par neironu tīkliem, to darbību, to veidiem, lietojumprogrammām un daudz ko citu.
Kas ir neironu tīkls?
In mašīna mācīšanās, neironu tīkls ir programmatūras programmēts mākslīgo neironu tīkls. Tas mēģina atdarināt cilvēka smadzenes, izmantojot daudzus "neironu" slāņus, kas ir līdzīgi mūsu smadzeņu neironiem.
Pirmais neironu slānis pieņems fotoattēlus, video, skaņu, tekstu un citus ievades datus. Šie dati plūst cauri visiem līmeņiem, viena slāņa izvadei ieplūstot nākamajā. Tas ir ļoti svarīgi vissarežģītākajiem uzdevumiem, piemēram, dabiskās valodas apstrādei mašīnmācībai.
Tomēr citos gadījumos priekšroka dodama sistēmas saspiešanai, lai samazinātu modeļa izmēru, vienlaikus saglabājot precizitāti un efektivitāti. Neironu tīkla atzarošana ir saspiešanas metode, kas ietver atsvaru noņemšanu no apgūtā modeļa. Apsveriet mākslīgā intelekta neironu tīklu, kas ir apmācīts atšķirt cilvēkus no dzīvniekiem.
Attēls tiks sadalīts spilgtās un tumšās daļās ar pirmo neironu slāni. Šie dati tiks nodoti nākamajā slānī, kas noteiks, kur atrodas malas.
Nākamais slānis mēģinās atpazīt formas, ko ģenerējusi malu kombinācija. Saskaņā ar datiem, par kuriem tas tika apmācīts, dati līdzīgā veidā izies cauri daudziem slāņiem, lai noteiktu, vai jūsu parādītajā attēlā ir redzams cilvēks vai dzīvnieks.
Kad dati tiek ievadīti neironu tīklā, tas sāk tos apstrādāt. Pēc tam dati tiek apstrādāti, izmantojot to līmeņus, lai iegūtu vēlamo rezultātu. Neironu tīkls ir mašīna, kas mācās no strukturētas ievades un parāda rezultātus. Ir trīs veidu mācīšanās, kas var notikt neironu tīklos:
- Uzraudzīta mācīšanās – ievades un izvades tiek dotas algoritmiem, izmantojot marķētos datus. Pēc tam, kad viņi ir iemācījušies analizēt datus, viņi prognozē paredzēto rezultātu.
- Mācīšanās bez uzraudzības — ANN mācās bez cilvēka palīdzības. Nav marķētu datu, un izvadi nosaka izvaddatos atrodamie modeļi.
- Pastiprināšanas mācības ir tad, kad tīkls mācās no saņemtajām atsauksmēm.
Kā darbojas neironu tīkli?
Mākslīgie neironi tiek izmantoti neironu tīklos, kas ir sarežģītas sistēmas. Mākslīgie neironi, kas pazīstami arī kā perceptroni, sastāv no šādiem komponentiem:
- ievade
- svars
- Aizspriedums
- Aktivizēšanas funkcija
- izvade
Neironu slāņi, kas veido neironu tīklus. Neironu tīkls sastāv no trim slāņiem:
- Ievades slānis
- Slēpts slānis
- Izvades slānis
Dati skaitliskās vērtības veidā tiek nosūtīti uz ievades slāni. Tīkla slēptie slāņi ir tie, kas veic visvairāk aprēķinu. Visbeidzot, izvades slānis prognozē rezultātu. Neironu tīklā dominē viens otram. Katra slāņa izveidošanai tiek izmantoti neironi. Dati tiek novirzīti uz slēpto slāni pēc tam, kad ievades slānis tos iegūst.
Katrai ievadei tiek piemēroti svari. Neironu tīkla slēptajos slāņos svars ir vērtība, kas pārvērš ienākošos datus. Svari darbojas, reizinot ievades datus ar svara vērtību ievades slānī.
Pēc tam tiek sākta pirmā slēptā slāņa vērtība. Ievades dati tiek pārveidoti un nodoti citam slānim, izmantojot slēptos slāņus. Izvades slānis ir atbildīgs par gala rezultāta ģenerēšanu. Ievades un svari tiek reizināti, un rezultāts tiek piegādāts slēptā slāņa neironiem kā summa. Katram neironam tiek dota novirze. Lai aprēķinātu kopējo summu, katrs neirons pievieno saņemtās ievades.
Pēc tam vērtība tiek nodota caur aktivizācijas funkciju. Aktivizācijas funkcijas rezultāts nosaka, vai neirons ir aktivizēts vai nē. Kad neirons ir aktīvs, tas nosūta informāciju citiem slāņiem. Dati tiek izveidoti tīklā, līdz neirons sasniedz izvades slāni, izmantojot šo metodi. Izplatīšana uz priekšu ir cits termins šim nolūkam.
Paņēmiens datu ievadīšanai ievades mezglā un izvades iegūšana, izmantojot izvades mezglu, ir pazīstams kā pavairošana uz priekšu. Kad slēptais slānis pieņem ievades datus, notiek padeves izplatīšanās. Tas tiek apstrādāts atbilstoši aktivizācijas funkcijai un pēc tam tiek nodots izvadei.
Rezultātu ar vislielāko varbūtību projicē neirons izvades slānī. Atpakaļ pavairošana notiek, ja izvade ir nepareiza. Veidojot neironu tīklu, katrai ievadei tiek inicializēti svari. Atpakaļpropagēšana ir katras ievades svara pārregulēšanas process, lai samazinātu kļūdas un nodrošinātu precīzāku rezultātu.
Neironu tīklu veidi
1. Perceptrons
Minska-Paperta perceptrona modelis ir viens no vienkāršākajiem un vecākajiem neironu modeļiem. Tā ir mazākā neironu tīkla vienība, kas veic noteiktus aprēķinus, lai atklātu ienākošajos datos raksturlielumus vai biznesa inteliģenci. Lai iegūtu gala rezultātu, tiek izmantota svērta ievade un tiek izmantota aktivizācijas funkcija. TLU (sliekšņa loģikas vienība) ir cits perceptrona nosaukums.
Perceptron ir binārs klasifikators, kas ir uzraudzīta mācību sistēma, kas sadala datus divās grupās. Loģikas vārti piemēram, UN, VAI un NAND var īstenot ar perceptroniem.
2. Feed-Forward neironu tīkls
Visvienkāršākā neironu tīklu versija, kurā ievades dati plūst tikai vienā virzienā, iet caur mākslīgajiem neironu mezgliem un iziet caur izvades mezgliem. Ievades un izvades slāņi atrodas vietās, kur slēptie slāņi var būt vai nebūt. Pamatojoties uz to, tos var raksturot kā viena slāņa vai daudzslāņu uz priekšu vērstu neironu tīklu.
Izmantoto slāņu skaitu nosaka funkcijas sarežģītība. Tas izplatās tikai uz priekšu vienā virzienā un neizplatās atpakaļ. Šeit svari paliek nemainīgi. Ievades dati tiek reizināti ar svariem, lai nodrošinātu aktivizācijas funkciju. Lai to izdarītu, tiek izmantota klasifikācijas aktivizēšanas funkcija vai pakāpju aktivizēšanas funkcija.
3. Daudzslāņu perceptrons
Ievads izsmalcinātajā neironu tīkli, kurā ievades dati tiek maršrutēti caur daudziem mākslīgo neironu slāņiem. Tas ir pilnībā saistīts neironu tīkls, jo katrs mezgls ir savienots ar visiem nākamā slāņa neironiem. Ievades un izvades slāņos ir vairāki slēptie slāņi, ti, vismaz trīs vai vairāki slāņi.
Tam ir divvirzienu izplatīšanās, kas nozīmē, ka tas var izplatīties gan uz priekšu, gan atpakaļ. Ievades dati tiek reizināti ar svariem un nosūtīti uz aktivizācijas funkciju, kur tie tiek mainīti, izmantojot atpakaļejošu datumu, lai samazinātu zaudējumus.
Vienkāršāk sakot, svari ir mašīnmācītas vērtības no neironu tīkliem. Atkarībā no atšķirībām starp paredzamajiem rezultātiem un apmācības ievadiem, tie paši pielāgojas. Softmax tiek izmantota kā izvades slāņa aktivizācijas funkcija pēc nelineārām aktivizācijas funkcijām.
4. Konvolūcijas neironu tīkls
Atšķirībā no tradicionālā divdimensiju masīva, konvolūcijas neironu tīklam ir trīsdimensiju neironu konfigurācija. Pirmais slānis ir pazīstams kā konvolucionālais slānis. Katrs konvolūcijas slāņa neirons apstrādā informāciju tikai no ierobežotas redzes lauka daļas. Tāpat kā filtrs, ievades funkcijas tiek ņemtas pakešu režīmā.
Tīkls saprot attēlus sadaļās un var veikt šīs darbības vairākas reizes, lai pabeigtu visu attēla apstrādi.
Apstrādes laikā attēls tiek pārveidots no RGB vai HSI uz pelēktoņu. Citas pikseļu vērtības variācijas palīdzēs noteikt malas, un attēlus var kārtot vairākās grupās. Vienvirziena izplatīšanās notiek, ja CNN satur vienu vai vairākus konvolucionālos slāņus, kam seko apvienošana, un divvirzienu izplatīšanās notiek, kad konvolūcijas slāņa izvade tiek nosūtīta uz pilnībā savienotu neironu tīklu attēla klasifikācijai.
Lai iegūtu noteiktus attēla elementus, tiek izmantoti filtri. MLP ievades tiek svērtas un ievadītas aktivizācijas funkcijā. RELU tiek izmantots konvolūcijā, savukārt MLP izmanto nelineāru aktivizācijas funkciju, kam seko softmax. Attēlu un video atpazīšanā, semantiskajā parsēšanā un parafrāžu noteikšanā konvolucionālie neironu tīkli sniedz izcilus rezultātus.
5. Radial Bias Network
Ievades vektoram seko RBF neironu slānis un izvades slānis ar vienu mezglu katrai kategorijai radiālās bāzes funkciju tīklā. Ievade tiek klasificēta, salīdzinot to ar datu punktiem no apmācības kopas, kur katrs neirons uztur prototipu. Šis ir viens no apmācību komplekta piemēriem.
Katrs neirons aprēķina Eiklīda attālumu starp ievadi un tā prototipu, kad ir jāklasificē jauns ievades vektors [n-dimensijas vektors, kuru mēģināt klasificēt]. Ja mums ir divas klases — A klase un B klase, jaunā ievade, kas jāiedala kategorijās, ir vairāk līdzīga A klases prototipiem, nevis B klases prototipiem.
Rezultātā to var marķēt vai klasificēt kā A klasi.
6. Atkārtots neironu tīkls
Atkārtoti neironu tīkli ir paredzēti, lai saglabātu slāņa izvadi un pēc tam to ievadītu atpakaļ ievadā, lai palīdzētu prognozēt slāņa rezultātu. Pāreja uz priekšu neironu tīklu parasti ir sākotnējais slānis, kam seko atkārtots neironu tīkla slānis, kurā atmiņas funkcija atceras daļu informācijas, kas tai bija iepriekšējā laika posmā.
Šis scenārijs izmanto izplatīšanu uz priekšu. Tas saglabā datus, kas būs nepieciešami nākotnē. Gadījumā, ja prognoze ir nepareiza, mācīšanās ātrums tiek izmantots, lai veiktu nelielas korekcijas. Tā rezultātā, attīstoties atpakaļ, tā kļūs arvien precīzāka.
Aplikācijas
Neironu tīklus izmanto, lai risinātu datu problēmas dažādās disciplīnās; daži piemēri ir parādīti zemāk.
- Sejas atpazīšana – Sejas atpazīšanas risinājumi kalpo kā efektīvas novērošanas sistēmas. Atpazīšanas sistēmas saista digitālās fotogrāfijas ar cilvēku sejām. Tos izmanto birojos selektīvai ieceļošanai. Tādējādi sistēmas pārbauda cilvēka seju un salīdzina to ar datu bāzē saglabāto ID sarakstu.
- Akciju prognozēšana – ieguldījumi ir pakļauti tirgus riskiem. Ir praktiski grūti paredzēt nākotnes notikumus ārkārtīgi nestabilajā akciju tirgū. Pirms neironu tīkliem pastāvīgi mainīgās bullish un lācīgās fāzes bija neparedzamas. Bet kas visu mainīja? Protams, mēs runājam par neironu tīkliem... Daudzslāņu Perceptron MLP (sava veida mākslīgā intelekta sistēma) tiek izmantota, lai izveidotu veiksmīgu krājumu prognozi reāllaikā.
- Sociālās Media – Neatkarīgi no tā, cik dīvaini tas izklausās, sociālie mediji ir mainījuši ikdienišķo esamības ceļu. Sociālo mediju lietotāju uzvedība tiek pētīta, izmantojot mākslīgos neironu tīklus. Konkurences analīzei dati, kas tiek piegādāti katru dienu, izmantojot virtuālo mijiedarbību, tiek apkopoti un pārbaudīti. Sociālo mediju lietotāju darbības atkārto neironu tīkli. Kad dati tiek analizēti, izmantojot sociālo mediju tīklus, indivīdu uzvedību var saistīt ar cilvēku tēriņu modeļiem. Dati no sociālo mediju lietojumprogrammām tiek iegūti, izmantojot Multilayer Perceptron ANN.
- Veselības aprūpe – indivīdi mūsdienu pasaulē izmanto tehnoloģiju priekšrocības veselības aprūpes nozarē. Veselības aprūpes biznesā konvolucionālos neironu tīklus izmanto rentgena noteikšanai, CT skenēšanai un ultraskaņai. Iepriekšminētajos testos iegūtie medicīniskās attēlveidošanas dati tiek novērtēti un novērtēti, izmantojot neironu tīklu modeļus, jo attēlu apstrādē izmanto CNN. Balss atpazīšanas sistēmu izstrādē tiek izmantots arī atkārtotais neironu tīkls (RNN).
- Laika ziņas - pirms mākslīgā intelekta ieviešanas meteoroloģiskās nodaļas prognozes nekad nebija precīzas. Laikapstākļu prognozēšana galvenokārt tiek veikta, lai prognozētu laika apstākļus, kas būs nākotnē. Laika prognozes tiek izmantotas, lai prognozētu dabas katastrofu iespējamību mūsdienu periodā. Laikapstākļu prognozēšana tiek veikta, izmantojot daudzslāņu perceptronu (MLP), konvolucionālos neironu tīklus (CNN) un atkārtotos neironu tīklus (RNN).
- Aizsardzība — loģistika, bruņota uzbrukuma analīze un priekšmetu atrašanās vieta izmanto neironu tīklus. Viņi ir arī nodarbināti gaisa un jūras patruļās, kā arī autonomo dronu pārvaldībā. Mākslīgais intelekts dod aizsardzības nozarei tik nepieciešamo stimulu, kas tai nepieciešams, lai paplašinātu savu tehnoloģiju. Lai noteiktu zemūdens mīnu esamību, tiek izmantoti konvolucionālie neironu tīkli (CNN).
Priekšrocības
- Pat ja daži neironi neironu tīklā nedarbojas pareizi, neironu tīkli joprojām ģenerēs izejas.
- Neironu tīkliem ir iespēja mācīties reāllaikā un pielāgoties to mainīgajiem iestatījumiem.
- Neironu tīkli var iemācīties veikt dažādus uzdevumus. Lai nodrošinātu pareizu rezultātu, pamatojoties uz sniegtajiem datiem.
- Neironu tīkliem ir spēks un spēja vienlaikus veikt vairākus uzdevumus.
Trūkumi
- Problēmu risināšanai tiek izmantoti neironu tīkli. Tajā netiek atklāts skaidrojums, kāpēc tas ir pieņēmis spriedumus tīklu sarežģītības dēļ. Tā rezultātā tīkla uzticēšanās var tikt iedragāta.
- Neironu tīkla komponenti ir savstarpēji atkarīgi. Tas nozīmē, ka neironu tīkli pieprasa (vai ir ļoti atkarīgi no tiem) datori ar pietiekamu skaitļošanas jaudu.
- Neironu tīkla procesam nav īpašu noteikumu (vai īkšķa noteikuma). Izmantojot izmēģinājuma un kļūdu metodi, pareiza tīkla struktūra tiek izveidota, mēģinot izveidot optimālo tīklu. Tā ir procedūra, kas prasa lielu pielāgošanu.
Secinājumi
Laukā neironu tīkli strauji paplašinās. Ir ļoti svarīgi apgūt un izprast šīs nozares jēdzienus, lai varētu ar tiem tikt galā.
Šajā rakstā ir apskatīti daudzi neironu tīklu veidi. Varat izmantot neironu tīklus, lai risinātu datu problēmas citās jomās, ja uzzināsiet vairāk par šo disciplīnu.
Atstāj atbildi