טיש פון קאָנטענץ[באַהאַלטן][ווייַזן]
די צוקונפֿט איז דאָ. און, אין דעם צוקונפֿט מאשינען באַגרייַפן די וועלט אַרום זיי אין די זעלבע וועג ווי מענטשן טאָן. קאָמפּיוטערס קענען פאָר אָטאַמאָובילז, דיאַגנאָזירן חולאתן און אַקיעראַטלי פאָרויסזאָגן די צוקונפֿט.
דאָס קען ויסקומען ווי וויסנשאַפֿט בעלעטריסטיק, אָבער טיף לערנען מאָדעלס מאַכן עס אַ פאַקט.
די סאַפיסטאַקייטיד אַלגערידאַמז זענען ריווילינג די סיקריץ פון קינסטלעך סייכל, אַלאַוינג קאָמפּיוטערס צו זיך-לערנען און אַנטוויקלען. אין דעם פּאָסטן, מיר וועלן דעלוו אין די מעלוכע פון טיף לערנען מאָדעלס.
און מיר וועלן פאָרשן די ריזיק פּאָטענציעל זיי האָבן פֿאַר רעוואַלושאַנייזינג אונדזער לעבן. גרייטן זיך צו לערנען וועגן די לעצט טעכנאָלאָגיע וואָס טשאַנגינג די צוקונפֿט פון מענטשהייַט.
וואָס פּונקט זענען דיפּ לערנען מאָדעלס?
האָבן איר אלץ געשפילט אַ שפּיל אין וואָס איר האָבן צו ידענטיפיצירן די דיפעראַנסיז צווישן צוויי בילדער?
עס איז שפּאַס אָבער, עס קען אויך זיין האַרט, רעכט? ימאַדזשאַן אַז איר קענען לערנען אַ קאָמפּיוטער צו שפּילן דעם שפּיל און געווינען יעדער מאָל. טיף לערנען מאָדעלס דערגרייכן פּונקט דאָס!
טיף לערנען מאָדעלס זענען ענלעך צו סופּער-קלוג מאשינען וואָס קענען ונטערזוכן אַ גרויס נומער פון בילדער און באַשליסן וואָס זיי האָבן אין פּראָסט. זיי דערגרייכן דעם דורך דיסאַסעמבאַלינג די בילדער און לערנען יעדער ינדיווידזשואַלי.
דערנאָך, זיי צולייגן וואָס זיי האָבן געלערנט צו ידענטיפיצירן פּאַטערנז און מאַכן פֿאָרויסזאָגן וועגן פריש בילדער וואָס זיי האָבן קיינמאָל געזען פריער.
טיף לערנען מאָדעלס זענען קינסטלעך נעוראַל נעטוואָרקס וואָס קענען לערנען און עקסטראַקט קאָמפּליצירט פּאַטערנז און קעראַקטעריסטיקס פון מאַסיוו דאַטאַסעץ. די מאָדעלס זענען קאַמפּרייזד פון עטלעכע לייַערס פון לינגקט נאָודז, אָדער נוראַנז, וואָס אַנאַלייז און טוישן ינקאַמינג דאַטן צו דזשענערייט אַ רעזולטאַט.
טיף לערנען מאָדעלס זענען דער הויפּט געזונט פּאַסיק פֿאַר דזשאָבס וואָס דאַרפן גרויס אַקיעראַסי און פּינטלעכקייַט, אַזאַ ווי בילד לעגיטימאַציע, רעדע דערקענונג, נאַטירלעך שפּראַך פּראַסעסינג און ראָובאַטיקס.
זיי האָבן שוין געניצט אין אַלץ פון זיך-דרייווינג קאַרס צו מעדיציניש דיאַגנאָסטיקס, רעקאָממענדאַטאָר סיסטעמען און פּרידיקטיוו אַנאַליטיקס.
דאָ איז אַ סימפּלאַפייד ווערסיע פון די וויזשוואַלאַזיישאַן צו אילוסטרירן דאַטן לויפן אין אַ טיף לערנען מאָדעל.
די אַרייַנשרייַב דאַטן פלאָוז אין די אַרייַנשרייַב שיכטע פון די מאָדעל, וואָס דערנאָך פאָרן די דאַטן דורך אַ נומער פון פאַרבאָרגן לייַערס איידער פּראַוויידינג אַ רעזולטאַט פּראָגנאָז.
יעדער פאַרבאָרגן שיכטע פּערפאָרמז אַ סעריע פון מאַטאַמאַטיקאַל אַפּעריישאַנז אויף די אַרייַנשרייַב דאַטן איידער זיי פאָרן צו דער ווייַטער שיכטע, וואָס גיט די לעצט פאָרויסזאָגן.
איצט, לאָמיר זען וואָס זענען טיף לערנען מאָדעלס און ווי קענען מיר נוצן זיי אין אונדזער לעבן.
1. קאָנוואָלוטיאָנאַל נעוראַל נעטוואָרקס (CNNs)
CNNs זענען אַ טיף לערנען מאָדעל וואָס האט פארוואנדלען די שטח פון קאָמפּיוטער זעאונג. CNNs זענען געניצט צו קלאַסיפיצירן בילדער, דערקענען אַבדזשעקץ און אָפּשניט בילדער. די סטרוקטור און פאַנגקשאַנז פון די מענטשלעך וויזשאַוואַל קאָרטעקס ינפאָרמד די פּלאַן פון CNNs.
ווי טאָן זיי אַרבעט?
א CNN איז געמאכט פון אַ נומער פון קאַנוואַלושאַנאַל לייַערס, פּולינג לייַערס און גאָר לינגקט לייַערס. דער אַרייַנשרייַב איז אַ בילד, און דער רעזולטאַט איז אַ פּראָגנאָז פון די סאָרט פירמע פון די בילד.
א CNN ס קאָנוואָלוטיאָנאַל לייַערס בויען אַ שטריך מאַפּע דורך פּערפאָרמינג אַ פּונקט פּראָדוקט צווישן די אַרייַנשרייַב בילד און אַ גאַנג פון פילטערס. די פּאָאָלינג לייַערס נידעריקער די גרייס פון די שטריך מאַפּע דורך דאַונסאַמפּלינג עס.
צום סוף, די שטריך מאַפּע איז געניצט דורך די גאָר קאָננעקטעד לייַערס צו פאָרויסזאָגן די סאָרט פירמע פון די בילד.
פארוואס זענען CNNs וויכטיק?
CNNs זענען יקערדיק ווייַל זיי קענען לערנען צו דעטעקט פּאַטערנז און קעראַקטעריסטיקס אין בילדער וואָס מענטשן געפֿינען שווער צו באַמערקן. CNNs קענען זיין געלערנט צו דערקענען קעראַקטעריסטיקס ווי עדזשאַז, עקן און טעקסטשערז ניצן גרויס דאַטאַסעץ. נאָך לערנען די פּראָפּערטיעס, אַ CNN קענען נוצן זיי צו ידענטיפיצירן אַבדזשעקץ אין פריש פאָטאָס. CNNs האָבן דעמאַנסטרייטיד קאַטינג-ברעג פאָרשטעלונג אין אַ פאַרשיידנקייַט פון בילד לעגיטימאַציע אַפּלאַקיישאַנז.
ווו טאָן מיר נוצן CNNs
העאַלטהקאַרע, די אַוטאָ אינדוסטריע און לאַכאָדימ זענען בלויז אַ ביסל סעקטאָרס וואָס נוצן CNNs. אין די כעלטקער אינדוסטריע, זיי קענען זיין וווילטויק פֿאַר דיאַגנאָסיס פון קראַנקייַט, מעדאַקיישאַן אַנטוויקלונג און מעדיציניש בילד אַנאַליסיס.
אין די ויטאָמאָביל סעקטאָר, זיי העלפֿן מיט שטעג דיטעקשאַן, כייפעץ דיטעקשאַן, און אָטאַנאַמאַס דרייווינג. זיי זענען אויך זייער געניצט אין לאַכאָדימ פֿאַר וויזשאַוואַל זוכן, בילד-באזירט פּראָדוקט רעקאָממענדאַטיאָן און ינוואַנטאָרי קאָנטראָל.
למשל; Google ניצט CNN אין אַ פאַרשיידנקייַט פון אַפּלאַקיישאַנז, אַרייַנגערעכנט Google Lens, אַ געזונט-לייקט בילד לעגיטימאַציע געצייַג. די פּראָגראַם ניצט CNNs צו אָפּשאַצן פאָוטאַגראַפס און געבן באַניצער אינפֿאָרמאַציע.
Google לענס, פֿאַר בייַשפּיל, קענען דערקענען טינגז אין אַ בילד און פאָרשלאָגן דעטאַילס וועגן זיי, אַזאַ ווי די טיפּ פון בלום.
עס קען אויך איבערזעצן דעם טעקסט וואָס איז יקסטראַקטיד פון אַ בילד אין קייפל שפּראַכן. Google Lens איז ביכולת צו געבן קאָנסומערס נוציק אינפֿאָרמאַציע ווייַל פון די הילף פון CNN אין אַקיעראַטלי ידענטיפיצירן זאכן און עקסטראַקט קעראַקטעריסטיקס פון פאָטאָס.
2. לאנג קורץ-טערמין זכּרון (LSTM) נעטוואָרקס
לאנג קורץ-טערמין זכּרון (LSTM) נעטוואָרקס זענען באשאפן צו אַדרעס די שאָרטקאָמינגס פון רעגולער ריקעראַנט נעוראַל נעטוואָרקס (רנן). LSTM נעטוואָרקס זענען ידעאַל פֿאַר טאַסקס וואָס דאַרפן די פּראַסעסינג פון דאַטן סיקוואַנסיז איבער צייט.
זיי פונקציאָנירן דורך ניצן אַ ספּעציפיש זכּרון צעל און דריי גייטינג מעקאַניזאַמז.
זיי רעגולירן די לויפן פון אינפֿאָרמאַציע אין און אויס פון דער צעל. די אַרייַנשרייַב טויער, פאַרגעסן טויער און רעזולטאַט טויער זענען די דריי טויערן.
דער אַרייַנשרייַב טויער רעגיאַלייץ די לויפן פון דאַטן אין די זיקאָרן צעל, די פאַרגעסן טויער רעגיאַלייץ די ויסמעקן פון דאַטן פון די צעל, און די רעזולטאַט טויער רעגיאַלייץ די לויפן פון דאַטן אויס פון דער צעל.
וואָס איז זייער וויכטיקייט?
LSTM נעטוואָרקס זענען נוציק ווייַל זיי קענען הצלחה פאָרשטעלן און פאָרויסזאָגן דאַטן סיקוואַנסיז מיט לאַנג-טערמין באציונגען. זיי קענען רעקאָרדירן און ריטיין אינפֿאָרמאַציע וועגן פרייַערדיק ינפּוץ, אַלאַוינג זיי צו מאַכן מער פּינטלעך פֿאָרויסזאָגן וועגן צוקונפֿט ינפּוץ.
רייד דערקענונג, האַנדרייטינג דערקענונג, נאַטירלעך שפּראַך פּראַסעסינג און בילד קאַפּטיאָנינג זענען בלויז אַ ביסל פון די אַפּלאַקיישאַנז וואָס האָבן געוויינט LSTM נעטוואָרקס.
ווו טאָן מיר נוצן LSTM נעטוואָרקס?
פילע ווייכווארג און טעכנאָלאָגיע אַפּלאַקיישאַנז נוצן LSTM נעטוואָרקס, אַרייַנגערעכנט רעדע דערקענונג סיסטעמען, פּראַסעסינג מכשירים פֿאַר נאַטירלעך שפּראַכן ווי סענטימענט אַנאַליסיס, מאַשין איבערזעצונג סיסטעמען, און טעקסט און בילד דזשענערייטינג סיסטעמען.
זיי זענען אויך געניצט אין דער שאַפונג פון זיך-דרייווינג קאַרס און ראָובאַץ, ווי געזונט ווי אין די פינאַנצן אינדוסטריע צו דעטעקט שווינדל און ריכטנ זיך לאַגער מאַרק מווומאַנץ.
3. גענעראַטיווע אַדווערסאַריאַל נעטוואָרקס (גאַנס)
GANs זענען אַ טיף לערנען טעכניק וואָס איז גענוצט צו דזשענערייט נייַע דאַטן סאַמפּאַלז וואָס זענען ענלעך צו אַ געגעבן דאַטאַסעט. GANs זענען קאַמפּרייזד פון צוויי נעוראַל נעטוואָרקס: איינער וואָס לערנט צו פּראָדוצירן נייַע סאַמפּאַלז און איינער וואָס לערנט צו ויסטיילן צווישן עכט און דזשענערייטאַד סאַמפּאַלז.
אין אַ ענלעך צוגאַנג, די צוויי נעטוואָרקס זענען טריינד צוזאַמען ביז דער גענעראַטאָר קענען דזשענערייט סאַמפּאַלז וואָס זענען ינדיסטינגגווישאַבאַל פון פאַקטיש אָנעס.
פארוואס טאָן מיר נוצן GANs
GANs זענען באַטייַטיק ווייַל פון זייער קאַפּאַציטעט צו פּראָדוצירן הויך-קוואַליטעט סינטעטיש דאַטן וואָס קען זיין יוטאַלייזד פֿאַר אַ פאַרשיידנקייַט פון אַפּלאַקיישאַנז, אַרייַנגערעכנט בילד און ווידעא פּראָדוקציע, טעקסט דור און אפילו מוזיק דור.
GANs זענען אויך געניצט פֿאַר דאַטן פאַרגרעסערונג, וואָס איז דער דור פון סינטעטיש דאַטן צו העסאָפע פאַקטיש-וועלט דאַטן און פֿאַרבעסערן די פאָרשטעלונג פון מאַשין-לערנען מאָדעלס.
דערצו, דורך קריייטינג סינטעטיש דאַטן וואָס קענען זיין גענוצט צו באַן מאָדעלס און נאָכמאַכן טריאַלס, GANs האָבן די פּאָטענציעל צו יבערמאַכן סעקטאָרס אַזאַ ווי מעדיצין און מעדיצין אַנטוויקלונג.
אַפּפּליקאַטיאָנס פון GANs
GANs קענען העסאָפע דאַטאַסעץ, שאַפֿן נייַע בילדער אָדער קינאָ און אפילו דזשענערייט סינטעטיש דאַטן פֿאַר וויסנשאפטלעכע סימיאַליישאַנז. דערצו, GANs האָבן די פּאָטענציעל צו זיין אָנגעשטעלט אין אַ פאַרשיידנקייַט פון אַפּלאַקיישאַנז ריינדזשינג פון פאַרווייַלונג צו מעדיציניש.
צייטן און ווידיאס. NVIDIA's StyleGAN2, פֿאַר בייַשפּיל, איז געניצט צו שאַפֿן הויך-קוואַליטעט פאָוטאַגראַפס פון סאַלעבריטיז און אַרטוואָרק.
4. טיף גלויבן נעטוואָרקס (DBNs)
דיפּ גלויבן נעטוואָרקס (DBNs) זענען קינסטלעך סייכל סיסטעמען וואָס קענען לערנען צו געפֿינען פּאַטערנז אין דאַטן. זיי ויספירן דעם דורך סעגמענטינג די דאַטן אין קלענערער און קלענערער טשאַנגקס, גיינינג אַ מער גרונטיק אָנכאַפּן פון עס אויף יעדער מדרגה.
DBNs קען לערנען פון דאַטן אָן ינפאָרמד וואָס עס איז (דאָס איז ריפערד צו ווי "אַנסערווייזד לערנען"). דאָס מאכט זיי גאָר ווערטפול פֿאַר דיטעקטינג פּאַטערנז אין דאַטן וואָס אַ מענטש וואָלט געפֿינען שווער אָדער אוממעגלעך צו דערקענען.
וואָס מאכט DBNs באַטייטיק?
DBNs זענען באַטייַטיק ווייַל פון זייער פיייקייט צו לערנען כייעראַרקאַקאַל דאַטן רעפּראַזאַנטיישאַנז. די רעפּראַזאַנטיישאַנז קענען זיין יוטאַלייזד פֿאַר אַ פאַרשיידנקייַט פון אַפּלאַקיישאַנז ווי קלאַסאַפאַקיישאַן, אַנאַמאַלי דיטעקשאַן און דימענשאַנאַליטי רעדוקציע.
די קאַפּאַציטעט פון DBNs צו נעמען אַנסופּערווייזד פאַר-טריינינג, וואָס קענען פאַרגרעסערן די פאָרשטעלונג פון טיף לערנען מאָדעלס מיט מינימאַל לייבאַלד דאַטן, איז אַ באַטייטיק נוץ.
וואָס זענען די אַפּלאַקיישאַנז פון DBNs?
איינער פון די מערסט וויכטיק אַפּלאַקיישאַנז איז כייפעץ דיטעקשאַן, אין וועלכע DBN's ווערן גענוצט צו דערקענען געוויסע סארט זאכן ווי עראפלאנען, פײגל און מענטשן. זיי זענען אויך געניצט פֿאַר בילד דור און קלאַסאַפאַקיישאַן, באַוועגונג דיטעקשאַן אין פילמס און נאַטירלעך שפּראַך קאַמפּרעשאַן פֿאַר קול פּראַסעסינג.
דערצו, DBNs זענען קאַמאַנלי געניצט אין דאַטאַסעץ צו אַססעסס מענטש פּאָסטטשערז. DBNs זענען אַ גרויס געצייַג פֿאַר אַ פאַרשיידנקייַט פון ינדאַסטריז, אַרייַנגערעכנט כעלטקער און באַנקינג, און טעכנאָלאָגיע.
5. טיף ריינפאָרסמאַנט לערנען נעטוואָרקס (דרלס)
טיף ריינפאָרסמאַנט לערנען נעטוואָרקס (דרלס) ויסשטימען טיף נעוראַל נעטוואָרקס מיט ריינפאָרסמאַנט לערנען טעקניקס צו לאָזן אגענטן לערנען אין אַ קאָמפּליצירט סוויווע דורך פּראָצעס און טעות.
DRLs זענען געניצט צו לערנען אַגענץ ווי צו אַפּטאַמייז אַ באַלוינונג סיגנאַל דורך ינטעראַקטינג מיט זייער סוויווע און לערנען פון זייער מיסטייקס.
וואָס מאכט זיי מערקווירדיק?
זיי האָבן שוין יפעקטיוולי געניצט אין אַ פאַרשיידנקייַט פון אַפּלאַקיישאַנז, אַרייַנגערעכנט גיימינג, ראָובאַטיקס און אָטאַנאַמאַס דרייווינג. DRLs זענען וויכטיק ווייַל זיי קענען לערנען גלייַך פֿון רוי סענסערי אַרייַנשרייַב, אַלאַוינג אגענטן צו מאַכן דיסיזשאַנז באזירט אויף זייער ינטעראַקשאַנז מיט די סוויווע.
וויכטיק אַפּפּליקאַטיאָנס
דרלס זענען אָנגעשטעלט אין פאַקטיש-וועלט צושטאנדן ווייַל זיי קענען שעפּן שווער ישוז.
דרלס זענען אַרייַנגערעכנט אין עטלעכע באַוווסט ווייכווארג און טעק פּלאַטפאָרמס, אַרייַנגערעכנט OpenAI ס ספּאָרטזאַל, די ML-אַגענץ פון Unityאון Google's DeepMind Lab. אַלפאַגאָ, געבויט דורך Google ס דעעפּמינד, פֿאַר בייַשפּיל, ימפּלויז DRL צו שפּילן די ברעט שפּיל גיין אויף אַ וועלט מייַסטער מדרגה.
אן אנדער נוצן פון DRL איז אין ראָובאַטיקס, ווו עס איז געניצט צו קאָנטראָלירן די מווומאַנץ פון ראָובאַטיק געווער צו ויספירן טאַסקס אַזאַ ווי גריפּינג זאכן אָדער סטאַקינג בלאַקס. DRLs האָבן פילע ניצט און זענען אַ נוציק געצייַג פֿאַר טריינינג אגענטן צו לערנען און מאַכן דיסיזשאַנז אין קאָמפּליצירט סעטטינגס.
6. אַוטאָענקאָדערס
אַוטאָענקאָדערס זענען אַ טשיקאַווע טיפּ פון נעוראַל נעץ וואָס האט געכאפט די אינטערעס פון ביידע געלערנטע און דאַטן סייאַנטיס. זיי זענען פאַנדאַמענטאַלי דיזיינד צו לערנען ווי צו קאָמפּרעס און ומקערן דאַטן.
די אַרייַנשרייַב דאַטן איז פעד דורך אַ סאַקסעשאַן פון לייַערס וואָס ביסלעכווייַז נידעריקער די דימענשאַנאַליטי פון די דאַטן ביז עס איז קאַמפּרעסט אין אַ באַטאַלנעק שיכטע מיט ווייניקערע נאָודז ווי די אַרייַנשרייַב און רעזולטאַט לייַערס.
דער קאַמפּרעסט פאַרטרעטונג איז דעמאָלט געניצט צו ריקריייט די אָריגינעל אַרייַנשרייַב דאַטן ניצן אַ סיקוואַנס פון לייַערס וואָס ביסלעכווייַז כאַפּן די דימענשאַנאַליטי פון די דאַטן צוריק צו זיין אָריגינעל פאָרעם.
פארוואס איז עס וויכטיק?
אַוטאָענקאָדערס זענען אַ קריטיש קאָמפּאָנענט פון טיף לערנען ווייַל זיי מאַכן שטריך יקסטראַקשאַן און דאַטן רעדוקציע מעגלעך.
זיי זענען ביכולת צו ידענטיפיצירן די שליסל עלעמענטן פון די ינקאַמינג דאַטן און איבערזעצן זיי אין אַ קאַמפּרעסט פאָרעם וואָס קען זיין געווענדט צו אנדערע טאַסקס ווי קלאַסאַפאַקיישאַן, גרופּינג אָדער די שאַפונג פון נייַע דאַטן.
ווו טאָן מיר נוצן אַוטאָענקאָדערס?
אַנאַמאַלי דיטעקשאַן, נאַטירלעך שפּראַך פּראַסעסינג, און קאָמפּיוטער זעאונג זענען בלויז אַ ביסל פון די דיסאַפּלאַנז ווו אַוטאָענקאָדערס זענען געניצט. אַוטאָענקאָדערס, פֿאַר בייַשפּיל, קענען ווערן גענוצט פֿאַר בילד קאַמפּרעשאַן, בילד דענאָיסינג און בילד סינטעז אין קאָמפּיוטער זעאונג.
מיר קענען נוצן אַוטאָענקאָדערס אין טאַסקס ווי טעקסט שאַפונג, טעקסט קאַטאַגעריזיישאַן און טעקסט סאַמעריזיישאַן אין נאַטירלעך שפּראַך פּראַסעסינג. עס קענען ידענטיפיצירן אַנאַמאַלי טעטיקייט אין דאַטן וואָס דיוויייץ פון די קלאַל אין אַנאַמאַלי לעגיטימאַציע.
7. קאַפּסל נעטוואָרקס
קאַפּסולע נעטוואָרקס איז אַ נייַע אַרקאַטעקטשער פֿאַר טיף לערנען וואָס איז דעוועלאָפּעד ווי אַ פאַרבייַט פֿאַר קאָנוואָלוטיאָנאַל נעוראַל נעטוואָרקס (CNNs).
קאַפּסל נעטוואָרקס זענען באזירט אויף דער געדאַנק פון גרופּינג מאַרך וניץ גערופן קאַפּסאַלז וואָס זענען פאַראַנטוואָרטלעך פֿאַר דערקענען די עקזיסטענץ פון אַ זיכער נומער אין אַ בילד און קאָדירונג זייַן אַטריביוץ, אַזאַ ווי אָריענטירונג און שטעלע, אין זייער רעזולטאַט וועקטאָרס. קאַפּסל נעטוואָרקס קענען דעריבער פירן ספּיישאַל ינטעראַקשאַנז און פּערספּעקטיוו פלאַקטשויישאַנז בעסער ווי CNNs.
פארוואס טאָן מיר קלייַבן קאַפּסל נעטוואָרקס איבער CNN ס?
קאַפּסולע נעטוואָרקס זענען נוציק ווייַל זיי באַקומען די שוועריקייטן פון CNN אין קאַפּטשערינג כייעראַרקאַקאַל באַציונגען צווישן ייטאַמז אין אַ בילד. CNNs קענען דערקענען זאכן פון פאַרשידן סיזעס אָבער געראַנגל צו אָנכאַפּן ווי די זאכן פאַרבינדן צו איינער דעם אנדערן.
קאַפּסולע נעטוואָרקס, אויף די אנדערע האַנט, קענען לערנען צו דערקענען טינגז און זייער טיילן, ווי געזונט ווי ווי זיי זענען געשטעלט ספּיישאַלי אין אַ בילד, וואָס מאכט זיי אַ ווייאַבאַל קאַנטענדער פֿאַר קאָמפּיוטער זעאונג אַפּלאַקיישאַנז.
אַרעאַס פון אַפּפּליקאַטיאָנס
קאַפּסולע נעטוואָרקס האָבן שוין דעמאַנסטרייטיד פּראַמאַסינג רעזולטאַטן אין אַ פאַרשיידנקייַט פון אַפּלאַקיישאַנז, אַרייַנגערעכנט בילד קלאַסאַפאַקיישאַן, כייפעץ לעגיטימאַציע און בילד סעגמאַנטיישאַן.
זיי האָבן שוין געניצט צו ויסטיילן טינגז אין מעדיציניש פאָטאָס, דערקענען מענטשן אין פילמס און אפילו מאַכן 3 ד מאָדעלס פון 2 ד בילדער.
צו פאַרגרעסערן זייער פאָרשטעלונג, קאַפּסולע נעטוואָרקס זענען קאַמביינד מיט אנדערע טיף לערנען אַרקאַטעקטשערז אַזאַ ווי גענעראַטיווע אַדווערסאַריאַל נעטוואָרקס (GANs) און Variational Autoencoders (VAEs). קאַפּסל נעטוואָרקס זענען פּרעדיקטעד צו שפּילן אַ ינקריסינגלי וויטאַל ראָלע אין ימפּרוווינג קאָמפּיוטער זעאונג טעקנאַלאַדזשיז ווי די וויסנשאַפֿט פון טיף לערנען יוואַלווז.
צום ביישפּיל; ניבאבעל איז אַ באַוווסט פּיטהאָן געצייַג פֿאַר לייענען און שרייבן נעוראָימאַגינג טעקע טייפּס. פֿאַר בילד סעגמאַנטיישאַן, עס ימפּלויז קאַפּסולע נעטוואָרקס.
8. ופמערקזאַמקייַט-באזירט מאָדעלס
טיף לערנען מאָדעלס באקאנט ווי ופמערקזאַמקייט-באזירט מאָדעלס, אויך באקאנט ווי ופמערקזאַמקייט מעקאַניזאַמז, שטרעבן צו פאַרגרעסערן די אַקיעראַסי פון מאַשין לערנען מאָדעלס. די מאָדעלס אַרבעט דורך קאַנסאַנטריישאַן אויף זיכער פֿעיִקייטן פון ינקאַמינג דאַטן, ריזאַלטינג אין מער עפעקטיוו און עפעקטיוו פּראַסעסינג.
אין נאַטירלעך שפּראַך פּראַסעסינג טאַסקס אַזאַ ווי מאַשין איבערזעצונג און סענטימענט אַנאַליסיס, ופמערקזאַמקייט מעטהאָדס האָבן געוויזן צו זיין גאַנץ געראָטן.
וואָס איז זייער באַטייַט?
ופמערקזאַמקייַט-באזירט מאָדעלס זענען נוציק ווייַל זיי געבן מער עפעקטיוו און עפעקטיוו פּראַסעסינג פון קאָמפּליצירט דאַטן.
טראַדיציאָנעל נעוראַל נעטוואָרקס אָפּשאַצן אַלע אַרייַנשרייַב דאַטן ווי גלייַך וויכטיק, ריזאַלטינג אין סלאָוער פּראַסעסינג און דיקריסט אַקיעראַסי. ופמערקזאַמקייט פּראַסעסאַז קאַנסאַנטרייט אויף קריטיש אַספּעקץ פון אַרייַנשרייַב דאַטן, אַלאַוינג פאַסטער און מער פּינטלעך פֿאָרויסזאָגן.
געביטן פון באַניץ
אין די פעלד פון קינסטלעך סייכל, ופמערקזאַמקייט מעקאַניזאַמז האָבן אַ ברייט קייט פון אַפּלאַקיישאַנז, אַרייַנגערעכנט נאַטירלעך שפּראַך פּראַסעסינג, בילד און אַודיאָ דערקענונג, און אפילו דרייווערלעסס וועהיקלעס.
ופמערקזאַמקייט מעטהאָדס, למשל, קענען ווערן גענוצט צו פֿאַרבעסערן מאַשין איבערזעצונג אין נאַטירלעך שפּראַך פּראַסעסינג דורך אַלאַוינג די סיסטעם צו פאָקוס אויף זיכער ווערטער אָדער פראַסעס וואָס זענען יקערדיק פֿאַר דעם קאָנטעקסט.
ופמערקזאַמקייט מעטהאָדס אין אָטאַנאַמאַס קאַרס קענען זיין געוויינט צו אַרוישעלפן די סיסטעם אין פאָוקיסינג אויף זיכער זאכן אָדער טשאַלאַנדזשיז אין זייַן סוויווע.
9. טראַנספאָרמער נעטוואָרקס
טראַנספאָרמער נעטוואָרקס זענען טיף לערנען מאָדעלס וואָס ונטערזוכן און פּראָדוצירן דאַטן סיקוואַנסיז. זיי פונקציאָנירן דורך פּראַסעסינג די אַרייַנשרייַב סיקוואַנס איין עלעמענט אין אַ צייַט און פּראָדוצירן אַ רעזולטאַט סיקוואַנס פון די זעלבע אָדער פאַרשידענע לענגקטס.
טראַנספאָרמער נעטוואָרקס, ניט ענלעך נאָרמאַל סיקוואַנס-צו-סיקוואַנס מאָדעלס, טאָן ניט פּראָצעס סיקוואַנסיז מיט ריקעראַנט נעוראַל נעטוואָרקס (רנן). אַנשטאָט, זיי נוצן זיך-ופמערקזאַמקייט פּראַסעסאַז צו לערנען די פֿאַרבינדונגען צווישן די סיקוואַנס ס ברעקלעך.
וואָס איז די וויכטיקייט פון טראַנספאָרמער נעטוואָרקס?
טראַנספאָרמער נעטוואָרקס האָבן געוואקסן אין פּאָפּולאַריטעט אין די לעצטע יאָרן ווי אַ רעזולטאַט פון זייער בעסער פאָרשטעלונג אין נאַטירלעך שפּראַך פּראַסעסינג דזשאָבס.
זיי זענען ספּעציעל פּאַסיק פֿאַר טעקסט-שאַפונג טאַסקס אַזאַ ווי שפּראַך איבערזעצונג, טעקסט סאַמעריזיישאַן און שמועס פּראָדוקציע.
טראַנספאָרמער נעטוואָרקס זענען פיל מער עפעקטיוו קאַמפּיוטישאַנאַלי ווי RNN-באזירט מאָדעלס, וואָס מאכט זיי אַ בילכער ברירה פֿאַר גרויס-וואָג אַפּלאַקיישאַנז.
ווו קענען איר געפֿינען טראַנספאָרמער נעטוואָרקס?
טראַנספאָרמער נעטוואָרקס זענען וויידלי געניצט אין אַ ברייט קייט פון אַפּלאַקיישאַנז, דער הויפּט פּראַסעסינג פון נאַטירלעך שפּראַך.
די GPT (גענעראַטיווע פאַר-טריינד טראַנספאָרמער) סעריע איז אַ באַוווסט טראַנספאָרמער-באזירט מאָדעל וואָס איז געניצט פֿאַר טאַסקס אַזאַ ווי שפּראַך איבערזעצונג, טעקסט סאַמעריזיישאַן און טשאַטבאָט דור.
BERT (ביידירעקטיאָנאַל ענקאָדער רעפּרעסענטאַטיאָנס פון טראַנספאָרמערס) איז אן אנדער פּראָסט טראַנספאָרמער-באזירט מאָדעל וואָס איז געניצט פֿאַר נאַטירלעך שפּראַך קאַמפּריכענשאַן אַפּלאַקיישאַנז אַזאַ ווי קשיא ענטפֿערן און סענטימענט אַנאַליסיס.
ביידע GPT און BERT זענען באשאפן מיט פּיטאָרטש, אַן אָפֿן-מקור טיף-לערנען פריימווערק וואָס איז פאָלקס פֿאַר דעוועלאָפּינג טראַנספאָרמער-באזירט מאָדעלס.
10. ריסטריקטיד באָלטזמאַן מאַשינז (רבמס)
ריסטריקטיד באָלצמאַנן מאשינען (רבמס) זענען אַ סאָרט פון אַנסופּערווייזד נעוראַל נעץ וואָס לערנט אין אַ דזשענעראַטיוו שטייגער. ווייַל פון זייער פיייקייט צו לערנען און עקסטראַקט יקערדיק קעראַקטעריסטיקס פון הויך-דימענשאַנאַל דאַטן, זיי האָבן שוין וויידלי געוויינט אין די פעלד פון מאַשין לערנען און טיף לערנען.
רבם זענען געמאכט פון צוויי שיכטן, קענטיק און פאַרבאָרגן, מיט יעדער שיכטע קאַנסיסטינג פון אַ גרופּע פון נוראַנז פארבונדן דורך ווייטיד עדזשאַז. RBMs זענען דיזיינד צו לערנען אַ מאַשמאָעס פאַרשפּרייטונג וואָס באשרייבט די אַרייַנשרייַב דאַטן.
וואָס זענען ריסטריקטיד Boltzmann מאשינען?
RBMs נוצן אַ דזשענעראַטיוו לערנען סטראַטעגיע. אין RBMs, די קענטיק שיכטע ריפלעקס די אַרייַנשרייַב דאַטן, בשעת די באַגראָבן שיכטע ענקאָוד די טשאַראַקטעריסטיקס פון די אַרייַנשרייַב דאַטן. די ווייץ פון די קענטיק און פאַרבאָרגן לייַערס ווייַזן די שטאַרקייט פון זייער לינק.
RBM סטרויערן די ווייץ און בייאַסיז צווישן די לייַערס בעשאַס טריינינג ניצן אַ טעכניק באקאנט ווי קאַנטראַסטיוו דיווערדזשאַנס. קאָנטראַסטיווע דיווערדזשאַנס איז אַן אַנסופּערווייזד לערנען סטראַטעגיע וואָס מאַקסאַמייזיז די פּראָגנאָז פון די מאָדעל.
וואָס איז די באַטייַט פון ריסטריקטיד באָלץמאַן מאשינען?
RBMs זענען באַטייַטיק אין מאַשין וויסן און טיף לערנען ווייַל זיי קענען לערנען און עקסטראַקט באַטייַטיק קעראַקטעריסטיקס פון גרויס אַמאַונץ פון דאַטן.
זיי זענען זייער עפעקטיוו פֿאַר בילד און רייד דערקענונג, און זיי האָבן שוין געוויינט אין אַ פאַרשיידנקייַט פון אַפּלאַקיישאַנז ווי רעקאָממענדאַטאָר סיסטעמען, אַנאַמאַלי דיטעקשאַן און דימענשאַנאַליטי רעדוקציע. RBMs קענען געפֿינען פּאַטערנז אין וואַסט דאַטאַסעץ, ריזאַלטינג אין העכער פֿאָרויסזאָגן און ינסייץ.
ווו קענען ריסטריקטיד באָלץמאַן מאַשינז ווערן געניצט?
אַפּפּליקאַטיאָנס פֿאַר RBMs אַרייַננעמען דימענשאַנאַליטי רעדוקציע, אַנאַמאַלי דיטעקשאַן און רעקאָמענדאַציע סיסטעמען. RBMs זענען דער הויפּט נוציק פֿאַר סענטימענט אַנאַליסיס און טעמע מאָדעלינג אין דעם קאָנטעקסט פון נאַטירלעך שפּראַך פּראַסעסינג.
טיף גלויבן נעטוואָרקס, אַ מין פון נעוראַל נעץ געניצט פֿאַר קול און בילד דערקענונג, אויך נוצן רבמס. די Deep Belief Network Toolbox, TensorFlow, און טהעאַנאָ זענען עטלעכע ביישפילן פון ווייכווארג אָדער טעכנאָלאָגיע וואָס ניצט RBMs.
נעם צוזאם
דיפּ לערנען מאָדעלס ווערן מער און מער קריטיש אין אַ פאַרשיידנקייַט פון ינדאַסטריז, אַרייַנגערעכנט רעדע דערקענונג, נאַטירלעך שפּראַך פּראַסעסינג און קאָמפּיוטער זעאונג.
קאָנוואָלוטיאָנאַל נעוראַל נעטוואָרקס (CNNs) און ריקעראַנט נעוראַל נעטוואָרקס (RNNs) האָבן געוויזן די מערסט צוזאָג און זענען יקסטענסיוולי יוטאַלייזד אין פילע אַפּלאַקיישאַנז, אָבער, אַלע דיפּ לערנען מאָדעלס האָבן זייער אַדוואַנטידזשיז און דיסאַדוואַנטידזשיז.
אָבער, ריסערטשערז זענען נאָך קוקן אין ריסטריקטיד באָלטזמאַן מאַשינז (רבמס) און אנדערע ווערייאַטיז פון דיפּ לערנען מאָדעלס ווייַל זיי אויך האָבן ספּעציעל אַדוואַנטידזשיז.
ניו און שעפעריש מאָדעלס זענען אַנטיסאַפּייטיד צו זיין באשאפן ווי די שטח פון טיף לערנען האלט צו שטייַגן אין סדר צו שעפּן האַרדער פּראָבלעמס
לאָזן אַ ענטפֿערן