Innehållsförteckning[Dölj][Visa]
Artificiell intelligens (AI) ansågs ursprungligen vara en avlägsen dröm, en teknik för framtiden, men så är det inte längre.
Det som en gång var ett forskningsämne exploderar nu i den verkliga världen. AI finns nu på en mängd olika platser, inklusive din arbetsplats, skola, bank, sjukhus och till och med din telefon.
De är ögonen på självkörande fordon, Siris och Alexas röster, sinnena bakom väderprognoser, händerna bakom robotassisterad kirurgi och mer.
Artificiell intelligens (AI) håller på att bli ett vanligt inslag i det moderna livet. Under de senaste åren har AI vuxit fram som en stor aktör inom ett brett utbud av IT-tekniker.
Slutligen används det neurala nätverket av AI för att lära sig nya saker.
Så idag kommer vi att lära oss om neurala nätverk, hur det fungerar, deras typer, applikationer och mycket mer.
Vad är neuralt nätverk?
In maskininlärning, ett neuralt nätverk är ett mjukvaruprogrammerat nätverk av artificiella neuroner. Den försöker imitera den mänskliga hjärnan genom att ha många lager av "neuroner", som liknar nervcellerna i vår hjärna.
Det första lagret av neuroner kommer att acceptera foton, video, ljud, text och andra ingångar. Dessa data flödar genom alla nivåer, med ett lagers utdata flödar in i nästa. Detta är avgörande för de svåraste uppgifterna, som naturlig språkbehandling för maskininlärning.
I andra fall är det dock att föredra att sträva efter systemkomprimering för att minska modellstorleken med bibehållen noggrannhet och effektivitet. Att beskära ett neuralt nätverk är en kompressionsmetod som inkluderar att ta bort vikter från en inlärd modell. Tänk på ett artificiell intelligens neuralt nätverk som har tränats för att skilja människor från djur.
Bilden kommer att delas upp i ljusa och mörka delar av det första lagret av nervceller. Dessa data kommer att skickas till följande lager, som kommer att avgöra var kanterna är.
Nästa lager kommer att försöka känna igen formerna som kanternas kombination har genererat. Enligt data som den tränades på kommer data att passera genom många lager på liknande sätt för att avgöra om bilden du presenterade är av en människa eller ett djur.
När data ges in i ett neuralt nätverk börjar det bearbeta det. Därefter bearbetas data via dess nivåer för att få önskat resultat. Ett neuralt nätverk är en maskin som lär sig av strukturerad input och visar resultaten. Det finns tre typer av lärande som kan ske i neurala nätverk:
- Övervakat lärande – Indata och utdata ges till algoritmerna med hjälp av märkta data. Efter att ha lärt sig hur man analyserar data, prognostiserar de det avsedda resultatet.
- Oövervakat lärande – En ANN lär sig utan hjälp av en människa. Det finns inga märkta data, och utdata bestäms av mönster som finns i utdata.
- Förstärkningslärande är när ett nätverk lär sig av den feedback det får.
Hur fungerar neurala nätverk?
Artificiella neuroner används i neurala nätverk, som är sofistikerade system. De konstgjorda neuronerna, även kända som perceptroner, består av följande komponenter:
- Ingång
- Vikt
- Bias
- Aktiveringsfunktion
- Produktion
De lager av nervceller som utgör neurala nätverk. Ett neuralt nätverk består av tre lager:
- Ingångsskikt
- Doldt lager
- Utgående lager
Data i form av ett numeriskt värde skickas till inmatningsskiktet. Nätverkets dolda lager är de som gör flest beräkningar. Utdatalagret, sist men inte minst, prognostiserar resultatet. Neuroner dominerar varandra i ett neuralt nätverk. Neuroner används för att konstruera varje lager. Data dirigeras till det dolda lagret efter att indatalagret har hämtat det.
Vikter appliceras på varje ingång. Inom de dolda lagren i ett neuralt nätverk är vikten ett värde som översätter inkommande data. Vikter fungerar genom att multiplicera indata med viktvärdet i indatalagret.
Det startar sedan det första dolda lagrets värde. Indata omvandlas och skickas till det andra lagret via de dolda lagren. Utdatalagret är ansvarigt för att generera det slutliga resultatet. Ingångarna och vikterna multipliceras, och resultatet levereras till de dolda skiktets neuroner som en summa. Varje neuron ges en bias. För att beräkna totalsumman lägger varje neuron till de ingångar den tar emot.
Därefter passerar värdet via aktiveringsfunktionen. Resultatet av aktiveringsfunktionen avgör om en neuron är aktiverad eller inte. När en neuron är aktiv skickar den information till de andra lagren. Data skapas i nätverket tills neuronen når utgångsskiktet med denna metod. Spridning framåt är en annan term för detta.
Tekniken att mata in data till en ingångsnod och erhålla utsignalen genom en utgångsnod är känd som frammatningsutbredning. När ingångsdata accepteras av det dolda lagret sker vidarekoppling. Den bearbetas enligt aktiveringsfunktionen och skickas sedan till utgången.
Resultatet projiceras av neuronen i utgångsskiktet med högst sannolikhet. Återförökning sker när utgången är felaktig. Vikter initieras till varje ingång samtidigt som ett neuralt nätverk skapas. Backpropagation är processen att justera vikterna för varje ingång för att minska misstag och ge en mer exakt utdata.
Typer av neurala nätverk
1. Perceptron
Minsky-Paperts perceptronmodell är en av de enklaste och äldsta neuronmodellerna. Det är den minsta enheten i ett neuralt nätverk som utför vissa beräkningar för att upptäcka egenskaper eller affärsintelligens i inkommande data. Den tar viktade ingångar och tillämpar aktiveringsfunktionen för att få det slutliga resultatet. TLU (threshold logic unit) är ett annat namn för perceptron.
Perceptron är en binär klassificerare som är ett övervakat inlärningssystem som delar in data i två grupper. Logiska grindar såsom AND, OR och NAND kan implementeras med perceptroner.
2. Feed-Forward Neural Network
Den mest grundläggande versionen av neurala nätverk, där indata flyter uteslutande i en riktning, passerar via artificiella neurala noder och går ut genom utmatningsnoder. In- och utdatalager finns på platser där dolda lager kan finnas eller inte. De kan karakteriseras som antingen ett enkelskiktigt eller flerskiktat feed-forward neuralt nätverk baserat på detta.
Antalet lager som används bestäms av funktionens komplexitet. Den fortplantar sig bara framåt i en riktning och fortplantar sig inte bakåt. Här förblir vikterna konstanta. Ingångar multipliceras med vikter för att mata en aktiveringsfunktion. En klassificeringsaktiveringsfunktion eller en stegaktiveringsfunktion används för att göra detta.
3. Flerskiktsperceptron
En introduktion till sofistikerad neurala nät, där indata dirigeras via många lager av artificiella neuroner. Det är ett helt kopplat neuralt nätverk, eftersom varje nod är ansluten till alla neuroner i följande lager. Flera dolda lager, dvs minst tre eller fler lager, finns i ingångs- och utmatningsskikten.
Den har dubbelriktad utbredning, vilket innebär att den kan fortplanta sig både framåt och bakåt. Ingångar multipliceras med vikter och skickas till aktiveringsfunktionen, där de ändras via backpropagation för att minimera förlusten.
Vikter är maskininlärda värden från Neural Networks, för att uttrycka det enkelt. Beroende på skillnaden mellan förväntade resultat och utbildningsinsatser, anpassar de sig själv. Softmax används som en aktiveringsfunktion för utgångslager efter olinjära aktiveringsfunktioner.
4. Konvolutionellt neuralt nätverk
I motsats till den traditionella tvådimensionella arrayen har ett konvolutionsneuralt nätverk en tredimensionell konfiguration av neuroner. Det första lagret är känt som ett faltningslager. Varje neuron i det konvolutionella lagret bearbetar endast information från en begränsad del av synfältet. Precis som ett filter tas indatafunktioner i batch-läge.
Nätverket förstår bilder i sektioner och kan utföra dessa åtgärder flera gånger för att avsluta hela bildbehandlingen.
Bilden konverteras från RGB eller HSI till gråskala under bearbetningen. Ytterligare variationer i pixelvärde kommer att hjälpa till att upptäcka kanter, och bilder kan sorteras i flera grupper. Enkelriktad utbredning inträffar när en CNN innehåller ett eller flera faltningslager följt av pooling, och dubbelriktad utbredning sker när utmatningen från faltningsskiktet skickas till ett fullt anslutet neuralt nätverk för bildklassificering.
För att extrahera vissa element i en bild används filter. I MLP viktas ingångarna och matas in i aktiveringsfunktionen. RELU används i faltning, medan MLP använder en icke-linjär aktiveringsfunktion följt av softmax. Inom bild- och videoigenkänning, semantisk analys och parafrasdetektering ger konvolutionella neurala nätverk utmärkta resultat.
5. Radiellt förspänningsnätverk
En ingångsvektor följs av ett lager av RBF-neuroner och ett utdatalager med en nod för varje kategori i ett Radial Basis Function Network. Ingången klassificeras genom att jämföra den med datapunkter från träningsuppsättningen, där varje neuron har en prototyp. Detta är ett av träningssetets exempel.
Varje neuron beräknar det euklidiska avståndet mellan ingången och dess prototyp när en ny ingångsvektor [den n-dimensionella vektorn du försöker kategorisera] måste klassificeras. Om vi har två klasser, klass A och klass B, är den nya ingången som ska kategoriseras mer lik klass A-prototyper än klass B-prototyper.
Som ett resultat kan det märkas eller kategoriseras som klass A.
6. Återkommande neurala nätverk
Återkommande neurala nätverk är utformade för att spara ett lagers utdata och sedan mata tillbaka det till ingången för att hjälpa till att förutse lagrets resultat. En feed-forward neurala nätverk är vanligtvis det initiala lagret, följt av ett återkommande neuralt nätverkslager, där en minnesfunktion kommer ihåg en del av informationen den hade i föregående tidssteg.
Det här scenariot använder förökning framåt. Det sparar data som kommer att behövas i framtiden. I händelse av att förutsägelsen är felaktig används inlärningshastigheten för att göra mindre justeringar. Som ett resultat kommer den att bli allt mer exakt när återförökningen fortskrider.
Applikationer
Neurala nätverk används för att hantera dataproblem inom en mängd olika discipliner; några exempel visas nedan.
- Ansiktsigenkänning – Ansiktsigenkänningslösningar fungerar som effektiva övervakningssystem. Igenkänningssystem relaterar digitala foton till mänskliga ansikten. De används på kontor för selektiv inträde. Således verifierar systemen ett mänskligt ansikte och jämför det med en lista över ID:n lagrade i dess databas.
- Aktieprognoser – Investeringar är exponerade för marknadsrisker. Det är praktiskt taget svårt att förutse den framtida utvecklingen på den extremt volatila aktiemarknaden. Före neurala nätverk var de ständigt skiftande hausseartade och baisseartade faserna oförutsägbara. Men vad förändrade allt? Naturligtvis pratar vi om neurala nätverk... En Multilayer Perceptron MLP (en typ av feedforward artificiell intelligens) används för att skapa en framgångsrik aktieprognos i realtid.
- Sociala medier – Oavsett hur korkat det kan låta så har sociala medier förändrat tillvarons vardagliga väg. Beteendet hos användare av sociala medier studeras med hjälp av artificiella neurala nätverk. För konkurrensanalys samlas data som levereras dagligen via virtuella interaktioner och granskas. Handlingarna hos användare av sociala medier replikeras av neurala nätverk. Individers beteenden kan kopplas till människors utgiftsmönster när data väl analyseras via sociala medier. Data från sociala medieapplikationer utvinns med Multilayer Perceptron ANN.
- Hälsovård – Individer i dagens värld använder sig av teknikens fördelar inom hälsovårdsindustrin. Inom hälso- och sjukvården används Convolutional Neural Networks för röntgendetektion, datortomografi och ultraljud. De medicinska avbildningsdata som tas emot från de ovan nämnda testerna utvärderas och bedöms med hjälp av neurala nätverksmodeller, eftersom CNN används i bildbehandling. Vid utvecklingen av röstigenkänningssystem används också det återkommande neurala nätverket (RNN).
- Väderrapport – Före implementeringen av artificiell intelligens var meteorologiska avdelningens prognoser aldrig exakta. Väderprognoser görs till stor del för att förutsäga väderförhållandena som kommer att inträffa i framtiden. Väderprognoser används för att förutse sannolikheten för naturkatastrofer i den moderna perioden. Väderprognoser görs med hjälp av multilayer perceptron (MLP), convolutional neural networks (CNN) och recurrent neural networks (RNN).
- Försvar – Logistik, analys av väpnade överfall och lokalisering av föremål använder alla neurala nätverk. De är också anställda i luft- och sjöpatruller, samt för att hantera autonoma drönare. Artificiell intelligens ger försvarsindustrin det välbehövliga uppsving den behöver för att skala upp sin teknik. För att upptäcka förekomsten av undervattensminor används Convolutional Neural Networks (CNN).
Fördelar
- Även om ett fåtal neuroner i ett neuralt nätverk inte fungerar korrekt, kommer de neurala nätverken fortfarande att generera utdata.
- Neurala nätverk har förmågan att lära sig i realtid och anpassa sig till sina föränderliga inställningar.
- Neurala nätverk kan lära sig att utföra en mängd olika uppgifter. För att ge rätt resultat baserat på de uppgifter som tillhandahålls.
- Neurala nätverk har styrkan och förmågan att hantera flera uppgifter samtidigt.
Nackdelar
- Neurala nätverk används för att lösa problem. Den avslöjar inte förklaringen bakom "varför och hur" den gjorde de bedömningar den gjorde på grund av nätverkens invecklade. Som ett resultat kan nätverksförtroendet urholkas.
- Komponenterna i ett neuralt nätverk är beroende av varandra. Det vill säga, neurala nätverk kräver (eller är extremt beroende av) datorer med tillräcklig datorkraft.
- En neural nätverksprocess har ingen specifik regel (eller tumregel). I en trial-and-error-teknik etableras en korrekt nätverksstruktur genom att försöka det optimala nätverket. Det är en procedur som kräver mycket finjustering.
Slutsats
Området för neurala nätverk expanderar snabbt. Det är avgörande att lära sig och förstå begreppen inom denna sektor för att kunna hantera dem.
De många typerna av neurala nätverk har behandlats i den här artikeln. Du kan använda neurala nätverk för att ta itu med dataproblem inom andra områden om du lär dig mer om denna disciplin.
Kommentera uppropet