Co je to Deep Learning a neuronová síť

Obsah:

Video: Co je to Deep Learning a neuronová síť

Video: Co je to Deep Learning a neuronová síť
Video: Максимизируйте производительность серверного RAID 2024, Březen
Co je to Deep Learning a neuronová síť
Co je to Deep Learning a neuronová síť
Anonim

Neuronové sítě a Hluboké učení jsou v současné době dvě hotové buzzwords, které se dnes používají s umělou inteligencí. Nedávný vývoj ve světě umělé inteligence může být přičítán těmto dvěma, protože hrají významnou roli při zlepšování inteligence AI.

Rozhlédněte se a najdete kolem sebe stále více inteligentních strojů. Díky neuronovým sítím a hlubokému učení se práce a schopnosti, které byly kdysi považovány za forte lidí, nyní provádějí stroje. V dnešní době již stroje nejsou vyráběny tak, aby jíst složitější algoritmy, ale místo toho se krmí, aby se rozvinuly do autonomních a sebevzdělávaných systémů schopných revoluce mnoha průmyslových odvětvími.

Neuronové sítě a Hluboké učení poskytly výzkumníkům obrovský úspěch v úlohách, jako je rozpoznávání obrazu, rozpoznávání řeči, hledání hlubších vztahů v datových sadách. S pomocí rozsáhlého množství dat a výpočetní síly mohou počítače rozpoznávat objekty, překládat řeč, vycvičit sami, identifikovat složité vzory, naučit se navrhnout strategie a vytvářet plány pro nepředvídané události v reálném čase.

Tak, jak přesně to funguje? Víte, že jak Neutrální sítě, tak Hluboké učení souvisí, ve skutečnosti, s pochopením hlubokého učení, musíte nejprve pochopit o neuronových sítích? Přečtěte si, abyste věděli víc.

Co je neuronová síť

Neuronová síť je v podstatě programovací vzorek nebo sada algoritmů, které umožňují počítači se naučit z pozorovacích údajů. Neuronová síť je podobná lidskému mozku, která funguje rozpoznáním vzorků. Smyslové údaje jsou interpretovány pomocí vnímání, označování nebo seskupování surového vstupu. Rozpoznané vzory jsou číselné, přiložené ve vektorech, do kterých jsou přenášena data, jako jsou obrázky, zvuk, text atd.

Myslete na neuronovou síť! Mysli na to, jak funguje lidský mozek

Jak bylo uvedeno výše, neuronová síť funguje stejně jako lidský mozek; získává veškeré znalosti prostřednictvím procesu učení. Potom synaptické závaží uchovávají získané znalosti. Během studijního procesu jsou synaptické váhy sítě reformovány, aby bylo dosaženo požadovaného cíle.

Stejně jako lidský mozek fungují Neural Networks jako nelineární paralelní systémy pro zpracování informací, které rychle provádějí výpočty, jako je rozpoznávání a vnímání vzoru. Výsledkem je, že tyto sítě fungují velmi dobře v oblastech, jako je rozpoznávání řeči, zvuku a obrazu, kde vstupy / signály jsou neodmyslitelně nelineární.

Jednoduše řečeno, pamatujete si na neuronovou síť jako na něco, co je schopno zásobit znalosti jako lidský mozek a použít ji k předpovědi.

Struktura neuronových sítí

(Image Credit: Mathworks)
(Image Credit: Mathworks)

Neuronové sítě se skládají ze tří vrstev,

  1. Vstupní vrstva,
  2. Skrytá vrstva a
  3. Výstupní vrstva.

Každá vrstva se skládá z jednoho nebo více uzlů, jak je znázorněno na obrázku níže malými kruhy. Linie mezi uzly označují tok informací od jednoho uzlu k druhému. Informace plynou ze vstupu na výstup, tj. Zleva doprava (v některých případech může být zprava doleva nebo oběma směry).

Uzly vstupní vrstvy jsou pasivní, což znamená, že údaje nemění. Oni dostávají jednu hodnotu na jejich vstup a duplikovat hodnotu na jejich více výstupů. Zatímco uzly skryté a výstupní vrstvy jsou aktivní. Tak mohou tyto údaje měnit.

V propojené struktuře je každá hodnota ze vstupní vrstvy duplikována a odeslána všem skrytým uzlům. Hodnoty vstupující do skrytého uzlu se vynásobí váhami, sada předem určených čísel uložených v programu. Vážené vstupy se potom přidávají, aby se vytvořilo jedno číslo. Neuronové sítě mohou mít libovolný počet vrstev a libovolný počet uzlů na jednu vrstvu. Většina aplikací používá třívrstvou strukturu s maximem několika set vstupních uzlů

Příklad neuronové sítě

Zvažte neuronovou síť rozpoznávající objekty v signálu sonaru a v počítači je uloženo 5000 signálů. PC musí zjistit, zda tyto vzorky představují ponorku, velrybu, ledovec, mořské skály nebo vůbec nic? Konvenční metody DSP by se přiblížily k tomuto problému s matematikou a algoritmy, jako je korelace a analýza frekvenčního spektra.

Zatímco s neuronovou sítí by bylo 5000 vstupních vrstev přiváděno do vstupní vrstvy, výsledkem budou hodnoty vystupující z výstupní vrstvy. Volbou správné hmotnosti lze výstup nakonfigurovat tak, aby vykazoval širokou škálu informací. Mohou být například výstupy pro: ponorku (ano / ne), mořské skály (ano / ne), velryby (ano / ne) atd.

S jinými váhami mohou výstupy klasifikovat objekty jako kovové nebo nekovové, biologické nebo nebiologické, nepřátelské nebo spojenecké atd. Žádné algoritmy, žádná pravidla, žádné postupy; pouze vztah mezi vstupem a výstupem určeným hodnotami vybraných závaží.

Teď pojďme pochopit koncept Deep Learning.

Co je hluboké učení

Hluboké učení je v podstatě podmnožinou neuronových sítí; možná můžete říci složitou neuronovou síť s mnoha skrytými vrstvami.

Z technického hlediska může být hluboké učení definováno jako silný soubor technik pro učení v neuronových sítích. To se týká umělých neuronových sítí (ANN), které jsou složeny z mnoha vrstev, masivních datových sad, výkonného počítačového hardwaru, který umožňuje komplikovaný tréninkový model.Obsahuje třídu metod a technik, které používají umělé neuronové sítě s více vrstvami stále více bohatších funkcí.

Struktura sítě pro hluboké učení

Sítě pro hluboké učení většinou používají architektury neuronových sítí, a proto se často označují jako hluboké neuronové sítě. Použití práce "hluboké" označuje počet skrytých vrstev v neuronové síti. Konvenční neuronová síť obsahuje tři skryté vrstvy, zatímco hluboké sítě mohou mít až 120-150.

Deep Learning zahrnuje podávání počítačového systému velkého množství dat, které mohou využít při rozhodování o jiných datech. Tato data jsou přenášena neuronovými sítěmi, jak je tomu v případě strojního učení. Sítě pro hluboké učení se mohou naučit rysy přímo z dat bez potřeby manuálního extrahování funkcí.

Příklady hlubokého učení

Hluboké učení je v současné době využíváno téměř v každém odvětví, počínaje automatizací, leteckým průmyslem a automatizací až po lékařské. Zde jsou některé příklady.

  • Google, Netflix a Amazon: Google jej používá ve svých algoritmech pro rozpoznávání hlasu a obrázků. Netflix a Amazon také používají hluboké učení, aby se rozhodli, co chcete sledovat nebo koupit dál
  • Řízení bez řidiče: Výzkumní pracovníci využívají sítě pro hluboké učení, které automaticky detekují objekty, jako jsou značky stop a semafory. Hluboké učení se používá také k detekci chodců, což pomáhá snížit počet nehod.
  • Letectví a obrana: Hluboké učení se používá k identifikaci objektů ze satelitů, které lokalizují oblasti zájmu a určení bezpečných nebo nebezpečných zón pro jednotky.
  • Díky Deep Learning, Facebook automaticky vyhledá a označuje přátele ve vašich fotografiích. Skype dokáže přeložit mluvenou komunikaci v reálném čase a docela přesně.
  • Lékařský výzkum: lékaři využívají hluboké učení k automatickému zjišťování rakovinných buněk
  • Průmyslová automatizace: Hluboké učení pomáhá zlepšit bezpečnost pracovníků kolem těžkých strojů tím, že automaticky zjišťuje, kdy jsou lidé nebo předměty v bezpečné vzdálenosti od strojů.
  • Elektronika: Hluboké učení se používá v automatizovaném sluchovém a řečovém překladu.

Závěr

Koncept neuronových sítí není nový a výzkumníci se v posledních deseti letech setkali s mírným úspěchem. Ale skutečným měničem hry byl vývoj hlubokých neuronových sítí.

Tím, že překonala tradiční přístupy k strojnímu učení, ukázala, že hluboké neuronové sítě mohou být vyškoleny a testovány nejen několika výzkumnými pracovníky, ale má prostor pro přijetí nadnárodních technologických společností, které by v blízké budoucnosti přinesly lepší inovace.

Díky technologii Deep Learning a neuronové síti AI nejen dělá úkoly, ale začala přemýšlet!

Doporučuje: