Что такое глубокое обучение и нейронная сеть

Нейронные сети(Neural Networks) и глубокое обучение(Deep Learning) в настоящее время являются двумя популярными модными словечками, которые в настоящее время используются с искусственным интеллектом(Artificial Intelligence) . Недавние разработки в мире искусственного интеллекта можно отнести к этим двум, поскольку они сыграли значительную роль в улучшении интеллекта ИИ.

Оглянитесь вокруг, и вы обнаружите вокруг все больше и больше умных машин. Благодаря нейронным сетям(Neural Networks) и глубокому обучению(Deep Learning) рабочие места и возможности, которые когда-то считались сильной стороной человека, теперь выполняются машинами. Сегодня Машины больше не заставляют поглощать более сложные алгоритмы, вместо этого их кормят для развития в автономную самообучающуюся систему, способную произвести революцию во многих отраслях.

Нейронные сети(Neural Networks) и глубокое обучение(Deep Learning ) принесли огромный успех исследователям в таких задачах, как распознавание изображений, распознавание речи, поиск более глубоких связей в наборах данных. Благодаря наличию огромных объемов данных и вычислительной мощности машины могут распознавать объекты, переводить речь, обучаться распознавать сложные закономерности, учиться разрабатывать стратегии и составлять планы на случай непредвиденных обстоятельств в режиме реального времени.

Итак, как именно это работает? Знаете ли вы, что как нейтральные (Neutral) сети(Networks) , так и глубокое обучение(Deep-Learning) связаны между собой, на самом деле, чтобы понять глубокое(Deep) обучение, вы должны сначала понять нейронные сети(Neural Networks) ? Читайте дальше, чтобы узнать больше.

Что такое нейронная сеть

Нейронная(Neural) сеть — это в основном шаблон программирования или набор алгоритмов, которые позволяют компьютеру учиться на данных наблюдений. Нейронная(Neural) сеть похожа на человеческий мозг, который работает, распознавая закономерности. Сенсорные данные интерпретируются с использованием машинного восприятия, маркировки или кластеризации необработанных входных данных. Распознаваемые образы являются числовыми, заключенными в векторы, в которые транслируются такие данные, как изображения, звук, текст и т. д.

Think Neural Network! Think how a human brain function

Как упоминалось выше, нейронная сеть функционирует точно так же, как человеческий мозг; он приобретает все знания в процессе обучения. После этого синаптические веса сохраняют полученные знания. В процессе обучения синаптические веса сети преобразуются для достижения желаемой цели.

Как и человеческий мозг, нейронные сети(Neural Networks) работают как нелинейные параллельные системы обработки информации, которые быстро выполняют такие вычисления, как распознавание образов и восприятие. В результате эти сети очень хорошо работают в таких областях, как распознавание речи, аудио и изображений, где входы/сигналы по своей природе нелинейны.

Проще говоря, вы можете помнить нейронную сеть как нечто, способное накапливать знания, как человеческий мозг, и использовать их для прогнозирования.(In simple words, you can remember Neural Network as something which is capable of stocking knowledge like a human brain and use it to make predictions.)

Структура нейронных сетей

Глубокое обучение и нейронная сеть

(Изображение предоставлено Mathworks)

Нейронные сети(Networks) состоят из трех слоев,

  1. Входной слой,
  2. Скрытый слой и
  3. Выходной слой.

Каждый слой состоит из одного или нескольких узлов, как показано на диаграмме ниже маленькими кружками. Линии между узлами указывают на поток информации от одного узла к другому. Информация течет от входа к выходу, т.е. слева направо (в некоторых случаях это может быть справа налево или в обе стороны).

Узлы входного слоя пассивны, то есть не изменяют данные. Они получают одно значение на свой вход и дублируют это значение на несколько своих выходов. При(Whereas) этом узлы скрытого и выходного слоя активны. Таким образом, они могут изменять данные.

Во взаимосвязанной структуре каждое значение из входного слоя дублируется и отправляется на все скрытые узлы. Значения, входящие в скрытый узел, умножаются на веса, набор заранее определенных чисел, хранящихся в программе. Затем взвешенные входные данные складываются для получения единого числа. Нейронные сети могут иметь любое количество слоев и любое количество узлов на каждом уровне. Большинство приложений используют трехуровневую структуру с максимум несколькими сотнями входных узлов.

Пример нейронной сети(Example of Neural Network)

Рассмотрим нейронную сеть, распознающую объекты в сигнале сонара, и в ПК хранится 5000 образцов сигнала. Компьютер должен выяснить, представляют ли эти образцы подводную лодку, кита, айсберг, морские скалы или вообще ничего? Обычные(Conventional DSP) методы DSP подошли бы к этой проблеме с помощью математики и алгоритмов, таких как корреляция и анализ частотного спектра.

В то время как с нейронной сетью 5000 выборок будут переданы на входной слой, что приведет к появлению значений из выходного слоя. Выбрав правильные веса, можно настроить вывод для предоставления широкого спектра информации. Например, могут быть выходные данные для: подводная лодка (да/нет), морской камень (да/нет), кит (да/нет) и т. д.

С другими весами выходные данные могут классифицировать объекты как металлические или неметаллические, биологические или небиологические, враги или союзники и т. д. Никаких алгоритмов, никаких правил, никаких процедур; только отношение между входом и выходом, продиктованное значениями выбранных весов.

Теперь давайте разберемся с концепцией глубокого обучения.(Now, let’s understand the concept of Deep Learning.)

Что такое глубокое обучение

Глубокое обучение — это в основном подмножество нейронных сетей(Neural Networks) ; возможно, вы можете назвать сложную нейронную сеть(Neural Network) со множеством скрытых слоев.

С технической точки зрения глубокое(Deep) обучение также можно определить как мощный набор методов обучения в нейронных сетях. Это относится к искусственным нейронным сетям ( ИНС(ANN) ), которые состоят из множества слоев, массивных наборов данных, мощного компьютерного оборудования, чтобы сделать возможной сложную модель обучения. Он содержит класс методов и приемов, в которых используются искусственные нейронные сети с несколькими уровнями все более богатой функциональности.

Структура сети глубокого обучения(Structure of Deep learning network)

Сети глубокого(Deep) обучения в основном используют архитектуру нейронных сетей, поэтому их часто называют глубокими нейронными сетями. Использование работы «глубоко» относится к количеству скрытых слоев в нейронной сети. Обычная нейронная сеть содержит три скрытых слоя, в то время как в глубоких сетях их может быть до 120-150.

Глубокое (Deep) обучение(Learning) включает в себя передачу компьютерной системе большого количества данных, которые она может использовать для принятия решений относительно других данных. Эти данные передаются через нейронные сети, как в случае с машинным обучением. Сети глубокого(Deep) обучения могут изучать функции непосредственно из данных без необходимости ручного извлечения функций.

Примеры глубокого обучения(Examples of Deep Learning)

Глубокое обучение в настоящее время используется практически во всех отраслях, начиная от автомобилестроения(Automobile) , аэрокосмической промышленности(Aerospace) и автоматизации(Automation) и заканчивая медициной(Medical) . Вот некоторые из примеров.

  • Google , Netflix и Amazon : Google использует его в своих алгоритмах распознавания голоса и изображений. Netflix и Amazon также используют глубокое обучение, чтобы решить, что вы хотите посмотреть или купить в следующий раз.
  • Вождение без водителя: исследователи используют сети глубокого обучения для автоматического обнаружения таких объектов, как знаки остановки и светофоры. Глубокое(Deep) обучение также используется для обнаружения пешеходов, что помогает снизить количество аварий.
  • Аэрокосмическая промышленность и оборона: Глубокое обучение используется для идентификации объектов со спутников, которые определяют интересующие области и определяют безопасные или небезопасные зоны для войск.
  • Благодаря Deep Learning Facebook автоматически находит и отмечает(Facebook) друзей на ваших фотографиях. Skype может переводить разговорные сообщения в режиме реального времени и довольно точно.
  • Медицинские исследования: медицинские исследователи используют глубокое обучение для автоматического обнаружения раковых клеток
  • Промышленная автоматизация(Industrial Automation) . Глубокое обучение помогает повысить безопасность рабочих при работе с тяжелой техникой, автоматически определяя, когда люди или объекты находятся на небезопасном расстоянии от машин.
  • Электроника: Глубокое(Deep) обучение используется в автоматизированном слухе и переводе речи.

Прочтите(Read) : что такое машинное обучение и глубокое обучение(Machine Learning and Deep Learning) ?

Вывод(Conclusion)

Концепция нейронных сетей(Neural Networks) не нова, и исследователи добились умеренных успехов за последнее десятилетие или около того. Но настоящим переломным моментом стала эволюция глубоких(Deep) нейронных сетей.

Превзойдя традиционные подходы к машинному обучению, он продемонстрировал, что глубокие нейронные сети могут быть обучены и испытаны не только несколькими исследователями, но и могут быть приняты многонациональными технологическими компаниями, чтобы в ближайшем будущем предложить лучшие инновации.

Thanks to Deep Learning and Neural Network, AI is not just doing the tasks, but it has started to think!



About the author

Я iOS-разработчик с более чем 10-летним опытом. Я специализируюсь на разработке приложений для iPhone и iPad. У меня есть опыт создания пользовательских потоков, создания пользовательских комплектов разработки (CDK) и работы с различными средами разработки приложений. В своей предыдущей работе я также разработал инструменты для управления магазином приложений Apple, в том числе инструмент управления продуктами и инструмент отправки приложений.



Related posts