Шуточная версия: Что такое искусственный интеллект?
Шуточная версия: что такое машинное обучение?
Шуточная версия: что такое глубокое обучение?
Шуточная версия: Что такое нейронная сеть?
Эта статья взята из5-минутное видео комической версии на YouTube, интересное и простое введение в то, что такое глубокое обучение, включая его приложения, чем глубокое обучение отличается от машинного обучения и искусственного интеллекта, что такое нейронные сети и как их научить распознавать рукописные цифры. Наконец, представлены некоторые популярные приложения глубокого обучения.
Как Google переводит всю веб-страницу на разные языки за считанные секунды или как ваша телефонная галерея группирует изображения в зависимости от их местоположения — все это результаты глубокого обучения.
Глубокое обучение — это подмножество машинного обучения, которое, в свою очередь, является подмножеством искусственного интеллекта.
Искусственный интеллект — это технология, которая позволяет машинам имитировать человеческое поведение, машинное обучение — это технология, которая достигает ИИ с помощью алгоритмов, обученных на основе данных, и, наконец, глубокое обучение — это машинное обучение, вдохновленное структурой человеческого мозга (биологической нейронной сетью). Эта структура называется искусственной нейронной сетью в области глубокого обучения.
Давайте лучше поймем глубокое обучение и чем оно отличается от машинного обучения.
Предположим, у нас есть машина, которая может различать помидоры и вишни, если это делается с помощью машинного обучения, машине нужно сообщить признаки, которые могут различать их. Этими функциями могут быть размер и тип стебля.
Благодаря глубокому обучению нейронные сети могут извлекать признаки без вмешательства человека.
Конечно, эта функция требует наличия большого количества данных для обучения наших машин. Теперь давайте углубимся в то, как работают нейронные сети.
принцип
Здесь у нас есть три ученика, каждый из которых пишет число 9 на листе бумаги, но они не пишут одно и то же. Человеческий мозг может легко распознавать числа, но как их распознают компьютеры? Это возможно с помощью глубокого обучения.
Каждое число отображается в виде изображения размером 28x28 пикселей, всего 784 пикселя.
Это нейронная сеть, которая была обучена распознавать рукописные цифры. Нейроны являются самыми основными базовыми объектами в нейронной сети, где выполняется обработка информации. Каждый из 784 пикселей отправляется на первый слой нейронной сети. , которые формируют входной слой, который только принимает ввод и не выполняет обработку функций.
Другой конец — это выходной слой, а слой нейронов между входным и выходным слоями называется скрытым слоем. Нейроны скрытого слоя и выходного слоя являются функциональными нейронами с функциями активации.
Нейроны входного слоя получают 784 входных сигнала, которые передаются через взвешенные соединения, и общее входное значение, полученное нейроном, будет отличаться от порога нейрона (каждый нейрон имеет порог, называемый смещением). Затем сравнения обрабатываются с помощью функции активации для производят выходные данные нейрона, а результат функции активации определяет, активирован нейрон или нет.
Процесс обучения нейронной сети заключается в корректировке «веса связи» между нейронами и порога каждого функционального нейрона в соответствии с данными обучения. Другими словами, то, что узнает нейронная сеть, заложено в весах и пороговых значениях соединений.
применение
Итак, каковы приложения глубокого обучения?
В индустрии обслуживания клиентов: когда большинство людей разговаривают с агентом по обслуживанию клиентов, разговор кажется настолько реальным, что они даже не понимают, что это на самом деле бот.
В медицинской промышленности нейронные сети обнаруживают раковые клетки и анализируют МРТ-изображения, чтобы предоставить подробные результаты.
Самоуправляемые автомобили, как научная фантастика, теперь реальность. Некоторые компании, такие как Apple, Tesla и Nissan, работают над беспилотными автомобилями.
ограничение
Глубокое обучение имеет широкий охват, но также сталкивается с некоторыми ограничениями.
Объем данных
Первое ограничение — это данные. Хотя глубокое обучение является наиболее эффективным способом работы с неструктурированными данными, нейронным сетям для обучения требуются большие объемы данных.
Рассчитать способность
Предположим, у нас есть большой объем выборочных данных, но не каждая машина способна обрабатывать эти данные, что приводит к второму ограничению: вычислительной мощности. Обычно упоминается как «вычислительная мощность».
Для обучения нейронной сети требуются тысячи графических процессоров. Графические процессоры, конечно, дороже, чем процессоры.
Тренировочное время
И, наконец, есть время обучения: для обучения глубоких нейронных сетей требуются часы или даже месяцы, и время увеличивается с увеличением объема данных и количества слоев в сети.
Фреймворк глубокого обучения
Некоторые популярные платформы глубокого обучения включают Tensorflow, Pytorch, Caffe, DL4J и набор когнитивных инструментов Microsoft.
будущее
Мы лишь поверхностно коснулись применения глубокого обучения и искусственного интеллекта в будущем, и будущее будет полно сюрпризов.
Horse Technology разрабатывает устройство для слепых, которое использует глубокое обучение для описания мира пользователю с помощью компьютерного зрения, воспроизводящего человеческий разум в целом.
Контрольный опрос
Итак, вот вам викторина, правильный порядок работы нейросетей:
- А. Добавлен уклон
- B. Рассчитывается взвешенная сумма входов
- C. Активируется конкретный нейрон
- D. Результат передается в функцию активации
Отвечать:
- B. Рассчитайте взвешенную сумму входных данных
- А, плюс отклонение
- D. Результат вводится в функцию активации
- C. Активируются определенные нейроны
Объяснение: В нейронной сети каждый нейрон в слое связан с другими нейронами в соответствующем слое. Эти соединения имеют случайные веса. Рассчитайте взвешенную сумму входных данных и добавьте дополнительный входной сигнал (w*x+b) в виде смещения. Результат передается в функцию активации. В зависимости от определенного порога активируются только те нейроны, которые превышают порог.