Uvod u klasifikaciju neuronske mreže
Neuronske mreže su najučinkovitiji način (da, dobro ste pročitali) za rješavanje stvarnih problema u umjetnoj inteligenciji. Trenutno je također jedno od izuzetno opsežno istraženih područja informatike te bi se razvio novi oblik neuronske mreže dok čitate ovaj članak. Postoje stotine neuronskih mreža za rješavanje problema specifičnih za različite domene. Ovdje ćemo vas provesti kroz različite vrste osnovnih neuronskih mreža redoslijedom sve veće složenosti.
Različite vrste osnova u klasifikaciji neuronskih mreža
1. Plitke neuronske mreže (kolaborativno filtriranje)
Neuronske mreže napravljene su od skupina Perceptrona kako bi simulirale neuronsku strukturu ljudskog mozga. Plitke neuronske mreže imaju jedan skriveni sloj perceptrona. Jedan od najčešćih primjera plitkih neuronskih mreža je kolaborativno filtriranje. Skriveni sloj perceptrona osposobio bi se za predstavljanje sličnosti između entiteta u svrhu stvaranja preporuka. Sustav preporuka na Netflixu, Amazonu, YouTubeu itd. Koristi verziju kolaborativnog filtriranja kako bi preporučio njihove proizvode u skladu sa zanimanjem korisnika.
2. višeslojni perceptron (duboke neuronske mreže)
Neuronske mreže s više skrivenih slojeva naziva se Duboka neuronska mreža. Upozorenje spoiler-a! Sve sljedeće neuronske mreže oblik su duboke neuronske mreže prošarane / poboljšane za rješavanje problema specifičnih za domenu. Općenito, pomažu nam postići univerzalnost. S obzirom na dovoljan broj skrivenih slojeva neurona, duboka neuronska mreža može približiti tj. Riješiti bilo koji složeni stvarni problem.
Teorem univerzalnog približavanja jezgro je dubokih neuronskih mreža koje uvježbavaju i uklapaju bilo koji model. Svaka inačica duboke neuronske mreže razvijena je u potpunosti povezanim slojem max zbrajanog produkta umnožavanja matrice koji je optimiziran algoritmima unaprjeđenja. Nastavit ćemo učiti poboljšanja rezultirajući različitim oblicima dubokih neuronskih mreža.
3. Konvolucionarna neuronska mreža (CNN)
CNN-ovi su najzreliji oblik dubokih neuronskih mreža koji daju najprecizniji tj. Bolji od ljudskih rezultata u računalnom vidu. CNN-ovi su načinjeni od slojeva namotaja stvorenih skeniranjem svakog piksela slika u skupu podataka. Kako se podaci približavaju sloj po sloj, CNN započinje s prepoznavanjem obrazaca i time prepoznavanjem objekata na slikama. Ovi se objekti široko koriste u raznim aplikacijama za identifikaciju, klasifikaciju itd. Nedavna praksa poput učenja o prijenosima u CNN-ima dovela je do značajnih poboljšanja u netočnosti modela. Google prevoditelj i Google leća su najsuvremeniji primjer CNN-a.
Primjena CNN-ova je eksponencijalna jer se čak koriste za rješavanje problema koji se prije svega ne odnose na računalni vid. Ovdje možete pronaći vrlo jednostavno, ali intuitivno objašnjenje CNN-a.
4. Ponavljajuća neuronska mreža (RNN)
RNN-ovi su najnoviji oblik dubokih neuronskih mreža za rješavanje problema u NLP-u. Jednostavno rečeno, RNN-ovi vraćaju izlaz nekoliko skrivenih slojeva natrag do ulaznog sloja radi agregiranja i prenose aproksimaciju do sljedeće iteracije (epohe) ulaznog skupa podataka. Također pomaže modelu da samostalno uči i brže korigira predviđanja. Takvi su modeli vrlo korisni u razumijevanju semantike teksta u NLP operacijama. Postoje različite varijante RNN-ova poput dugotrajne memorije (LSTM), retardirane jedinice (GRU) s otvorenim utorima itd. Na donjem dijagramu aktiviranje iz h1 i h2 se napaja s ulazima x2 i x3.
5. Dugoročna kratkotrajna memorija (LSTM)
LSTM-ovi dizajnirani su posebno za rješavanje problema nestajućih gradijenata s RNN-om. Nestajanje gradijenata događa se s velikim neuronskim mrežama gdje se gradijenti gubitničkih funkcija približavaju nuli, pauziranje neuronskih mreža da bi se naučilo. LSTM rješava ovaj problem sprječavajući aktivirajuće funkcije unutar svojih rekurentnih komponenti i oponašanjem spremljenih vrijednosti. Ova mala promjena dala je velika poboljšanja u konačnom modelu, što je rezultiralo time da su tehnolozi velikani prilagodili LSTM u svojim rješenjima. Pregledajte „najjednostavniju samorazumljivu“ ilustraciju LSTM-a
6. Mreže temeljene na pažnji
Modeli pažnje polako preuzimaju čak i nove RNN-ove u praksi. Modeli pažnje izgrađeni su tako što se fokusiraju na dio podsvijesti koji su im dani čime eliminira veliku količinu pozadinskih informacija koje nisu potrebne za zadatak. Modeli pažnje izrađeni su od kombinacije meke i tvrde i uklapajuće meke pozornosti koja širi unatrag. Modeli s više pozornosti složeni hijerarhijski naziva se Transformer. Ovi transformatori učinkovitije su paralelno pokretati nizove tako da daju vrhunske rezultate s usporedno manjim podacima i vremenom za trening modela. Raspodjela pozornosti postaje vrlo moćna kada se koristi s CNN / RNN i može proizvesti opis teksta na slici koja slijedi.
Tehnički divovi poput Googlea, Facebooka itd. Brzo prilagođavaju modele pažnje za izgradnju svojih rješenja.
7. Generativna savjetodavna mreža (GAN)
Iako modeli dubokog učenja daju vrhunske rezultate, daleko inteligentniji ljudski kolege mogu ih zavarati dodavanjem buke podacima iz stvarnog svijeta. GAN-ovi su najnoviji razvoj dubokog učenja za rješavanje takvih scenarija. GAN-ovi koriste nekontrolirano učenje gdje su duboke neuronske mreže obučene s podacima koje generira AI model zajedno s stvarnim podacima da bi poboljšali točnost i učinkovitost modela. Ti se protivnički podaci uglavnom koriste za zavaravanje diskriminatornog modela u svrhu izgradnje optimalnog modela. Rezultirajući model ima tendenciju u boljoj aproksimaciji nego što može prevladati takav šum. Interes za istraživanje za GAN doveo je do sofisticiranijih implementacija kao što su Conditional GAN (CGAN), Laplacian Pyramid GAN (LAPGAN), Super Resolution GAN (SRGAN) itd.
Zaključak - Klasifikacija neuronske mreže
Duboke neuronske mreže gurale su granice računala. Nisu ograničeni samo na klasifikaciju (CNN, RNN) ili predviđanja (kolaborativno filtriranje), već čak i na generiranje podataka (GAN). Ti se podaci mogu razlikovati od prelijepog oblika umjetnosti do kontroverznih dubokih krivotvorina, ali svaki dan zadatak svakodnevno nadmašuje ljude. Stoga bismo trebali razmotriti etiku i utjecaje AI-ja tijekom napornog rada na izgradnji učinkovitog modela neuronske mreže. Vrijeme je za urednu infografiku o neuronskim mrežama.
Preporučeni članci
Ovo je vodič za klasifikaciju neuronske mreže. Ovdje smo razgovarali o različitim vrstama osnovnih neuronskih mreža. Možete i proći kroz naše članke da biste saznali više -
- Što su neuronske mreže?
- Algoritmi neuronske mreže
- Mrežni alati za skeniranje
- Ponavljajuće neuronske mreže (RNN)
- Najboljih 6 usporedbi CNN-a i RNN-a