СледваСледва в AI Foundations
AI бенчмаркове
технически
РЪКОВОДСТВО по основи
Невронни мрежи
Невронната мрежа е модел на машинно обучение, съставен от свързани математически операции с регулируеми параметри.
Чуйте това ръководствоAI-разказан · ~3 min
На тази страница3 минути четене
Преглед
Слоевете трансформират входа в изход, а обучението коригира тези параметри, за да подобри ефективността на избрана цел.
Основни изводи
- Теглата и отклоненията са научени параметри; функциите за активиране трансформират междинните резултати.
- Обратното разпространение изчислява градиенти, използвани от оптимизатор.
- Вътрешното активиране не е автоматично вероятност или обяснение.
Дълбоко гмуркане
Базовият изкуствен неврон комбинира входни стойности с помощта на тегла, добавя отклонение и прилага функция за активиране. Теглата контролират колко силно допринася всеки вход. Пристрастието измества резултата. Нелинейното активиране позволява на слоевете да представят връзки, които стек от чисто линейни операции не би могъл. Например активирането на ReLU връща нула за отрицателен вход и оставя положителен вход непроменен. Мрежите могат да използват различни активации в различни слоеве. Изходният слой се избира, за да отговаря на задачата: числовата прогноза не се интерпретира по същия начин като резултатите за възможните категории. По време на тренировка функцията за загуба сравнява изхода с желания резултат. Обратното разпространение използва верижното правило, за да изчисли как параметрите влияят на загубата. След това оптимизаторът използва тази информация, за да актуализира параметрите. Обратното разпространение изчислява градиенти; това не е гаранция, че моделът ще намери най-доброто възможно решение или ще обобщи добре. Аналогията с мозъка е ограничена. Изкуствените неврони са математически абстракции и успешната мрежа не е доказателство за човешки ум. Една по-голяма мрежа може да моделира сложни взаимоотношения, но също така може да струва повече, за да работи, да пасне на неподходящи модели или да се провали, когато условията се променят. Сравнете го с по-проста базова линия и тествайте върху примери извън данните за обучение.
04Работен пример
Изчислете един изкуствен неврон
Използвайте два входа, 0,8 и 0,5, с тегла 0,6 и -0,4 и отклонение от 0,1.
Претеглената сума е (0,8 × 0,6) + (0,5 × -0,4) + 0,1 = 0,38.
ReLU връща 0,38. Ако вторият вход се промени на 1,5, сумата става -0,02 и ReLU връща 0.
Какво показва
Това илюстративно изчисление е една трансформация в мрежа. Стойността 0,38 е активиране, а не твърдение за 38% увереност.
Внедряване в реалния свят
Визуалната мрежа трансформира стойностите на пикселите в характеристики, полезни за класифициране на изображение.
Езиков модел трансформира представянето на токени в резултати, използвани за генериране на последващи токени.
Мрежа за прогнозиране картографира скорошни наблюдения към числена оценка, която трябва да бъде оценена спрямо бъдещи резултати.
Прилагайки го на практика
Защо има значение
- По-ясни решения. Помага ви да отделите ясните технически твърдения от маркетинговия език.
- Разходи и бюджет. Можете да задавате въпроси за по-добро внедряване, преди да харчите пари или време.
- Екип и работен процес. Екипи със споделено разбиране вземат по-добри решения за продукти, политики и обучение.
Внимавайте за
- Различните екипи могат да използват един и същи термин по различен начин, така че дефинирайте обхвата рано.
- Бенчмарковете могат да изглеждат силни, докато производителността в реалния свят е неравномерна.
- Пренебрегването на качеството на данните и плановете за оценка често създава крехки резултати.
Следващи стъпки
- Започнете с дефиниция на обикновен език за резултата, от който се нуждаете.
- Изберете един показател за успех и едно условие за неуспех преди тестване.
- Изпълнете малък пилотен проект с представителни данни, а не изпипан демонстрационен набор.
- Документирайте къде невронните мрежи помагат и къде по-простите методи са по-добри.
Източници и допълнителна литература
Продължете да изследвате
Безплатен бюлетин
Получавайте дневния AI бюлетин
Три проверени AI истории всяка делнична сутрин, написани на достъпен език. Безплатно завинаги, без реклами.
Един имейл всеки делничен ден. Отписване с едно кликване. Никога не продаваме и не споделяме вашия имейл адрес.
Тествайте себе си
Take the Neural Networks quiz
Незабавна обратна връзка за всеки отговор и сертификат за споделяне с подлежащ на проверка идентификационен номер, след като преминете курс.
Подкрепете безплатното AI образование. AI Understanding е 501(c)(3) с нестопанска цел — без реклами, без платен достъп, никога. Направете дарение
Често задавани въпроси
Защо невронните мрежи се нуждаят от функции за активиране?
Функциите за нелинейно активиране позволяват на подредените слоеве да представляват нелинейни връзки. Подреждането само на линейни операции пак ще доведе до линейна трансформация.
Винаги ли по-голямата невронна мрежа е по-добра?
Не. Производителността зависи от задачата, данните, обучението, оценката и ограниченията за внедряване. Повече параметри могат да увеличат разходите и не гарантират по-надеждни резултати.
Продължавай да учиш
Свързани ръководства
Още ръководства, избрани за тази тема