Neural Networks

Що таке нейронні мережі?

Нейронна мережа в машинному навчанні - це програмно запрограмована мережа штучних нейронів. Вона намагається імітувати людський мозок, маючи кілька шарів "нейронів", подібно до нейронів нашого мозку. Фото, відео, звук, текст та інші вхідні дані надходять до першого шару нейронів. Ці дані проходять через усі шари, причому вихід одного шару подається на наступний. Це особливо важливо для такої складної задачі, як обробка природної мови для машинного навчання.

Однак іноді краще прагнути до стиснення системи, щоб мінімізувати розмір моделі, зберігаючи при цьому точність і ефективність.

Обрізка нейронної мережі - це метод стиснення, який передбачає вилучення ваг з навченої моделі.

Розглянемо нейронну мережу штучного інтелекту, яку навчили відрізняти людей від тварин. Перший шар нейронів розділить зображення на світлі та темні ділянки. Ця інформація буде передана наступному шару, який ідентифікує краї. Наступний шар спробує розпізнати фігури, створені поєднанням країв.

Відповідно до даних, на яких він був навчений, дані будуть проходити через кілька шарів аналогічним чином, щоб нарешті дізнатися, чи є на зображенні, яке ви показали, людина чи тварина.

Хто використовує нейронні мережі?

Існує безліч прикладів машинного навчання нейронних мереж. Одним із поширених прикладів є здатність камери вашого смартфона розпізнавати обличчя. Безпілотні автомобілі оснащені численними камерами, які за допомогою нейронних систем намагаються розпізнати інші транспортні засоби, ознаки активності та людей, що йдуть пішки, і відповідно до цього повертають або змінюють швидкість. Нейронні системи стоять за рекомендаціями щодо контенту, які ви бачите під час написання текстів чи електронних листів, а також в інтерпретаторах, доступних в Інтернеті. Чи має система попередні знання про щось, щоб класифікувати або розпізнати це? Так, саме тому вона використовує величезні обсяги інформації при підготовці нейронних мереж в ML. Вони працюють, оскільки вони підготовлені на величезних обсягах інформації до того моменту, коли вони можуть розпізнавати, класифікувати і передбачати речі. На ілюстрації безпілотного автомобіля, він побачить мільйони фотографій і відеозаписів усіх об'єктів на дорозі і дізнається, що це за об'єкт.

• Нейронні мережі мають широкий спектр застосування.

Такі прості речі, як перевірка всіх зображень пішохідних переходів, щоб продемонструвати, що ви не робот, коли ви натискаєте CAPTCHA під час перегляду веб-сторінок, можуть бути використані для допомоги, підготовки та навчання нейронної мережі. Більш складні нейронні мережі могли б навчати безпілотні автомобілі розпізнавати пішохідні переходи в реальному житті. Більш складні нейронні системи дійсно здатні навчати самі себе. Деякі нейронні системи можуть працювати разом, щоб створити щось сучасне.

Скажімо, є дві нейронні мережі, які створюють віртуальні обличчя, на яких немає місця для реальних людей після того, як ви оживляєте екран. Одна з них намагається влаштувати конфронтацію, а інша намагається визначити, чи є вона справжньою, чи фальшивою. Вони ходять вперед і назад до того моменту, коли друга мережа не може сказати, чи є обличчя справжнім, чи ні.

Тому для успішного машинного навчання з використанням нейронних мереж потрібна можливість мати величезну кількість даних для навчання. Люди також користуються величезними обсягами інформації. Людина сприймає близько 30 контурів картинок за мить, що свідчить про 1 800 картинок на мініатюру, і понад 600 мільйонів картинок на рік.

• Нейронні мережі потребують доступу до великої кількості даних для навчання

Типи нейронних мереж

Існує два основних типи нейронних мереж, крім згорткових, які використовуються для побудови більшості моделей глибокого навчання:

• Штучні нейронні мережі (ШНМ) - Оскільки вхідні дані інтерпретуються тільки в прямому напрямку, ШНМ також відомі як нейронні мережі прямого поширення. Вхідні, приховані та вихідні дані є трьома шарами ШНМ.
• Рекурентні нейронні мережі (RNN) - У прихованому стані RNN має рекурентну залежність. Це циклічне обмеження гарантує, що вхідні дані містять послідовну інформацію.

Чому важливі нейронні мережі?

Нейронні системи можуть бути підключені до широкого кола питань і можуть досліджувати численні різноманітні види вхідних даних, підраховувати зображення, записи та записи. Вони також не потребують експрес-програмування для перекладу змісту.

• Нейронні мережі можуть бути використані для вирішення широкого спектру завдань і можуть оцінювати широкий спектр типів вхідних даних

Завдяки очевидному спрощенню процесу вирішення проблем, який вони забезпечують, сфери, в яких ця технологія може бути використана, майже безмежні. Медична діагностика, збір даних, виявлення спаму в електронній пошті - ось деякі з популярних застосувань нейронних мереж, про які ми ще не згадували. Сьогодні нейронні мережі використовуються в різних сферах, і їх популярність швидко зростає.