ΕπόμενοΕπόμενο στο AI Foundations
Σημεία αναφοράς AI
Τεχνικά
ΟΔΗΓΟΣ Βασικών Αρχών
Νευρωνικά Δίκτυα
Ένα νευρωνικό δίκτυο είναι ένα μοντέλο μηχανικής μάθησης που αποτελείται από συνδεδεμένες μαθηματικές πράξεις με ρυθμιζόμενες παραμέτρους.
Ακούστε αυτόν τον οδηγόαφήγηση με AI · ~3 min
Σε αυτήν τη σελίδα3 λεπτά ανάγνωση
Επισκόπηση
Τα επίπεδα μετατρέπουν την είσοδο σε έξοδο και η εκπαίδευση προσαρμόζει αυτές τις παραμέτρους για να βελτιώσει την απόδοση σε έναν επιλεγμένο στόχο.
Βασικά takeaways
- Τα βάρη και οι προκαταλήψεις είναι μαθημένες παράμετροι. οι συναρτήσεις ενεργοποίησης μεταμορφώνουν τα ενδιάμεσα αποτελέσματα.
- Η backpropagation υπολογίζει τις κλίσεις που χρησιμοποιούνται από έναν βελτιστοποιητή.
- Μια εσωτερική ενεργοποίηση δεν είναι αυτόματα μια πιθανότητα ή μια εξήγηση.
Βαθιά κατάδυση
Ένας βασικός τεχνητός νευρώνας συνδυάζει τιμές εισόδου χρησιμοποιώντας βάρη, προσθέτει μια προκατάληψη και εφαρμόζει μια συνάρτηση ενεργοποίησης. Τα βάρη ελέγχουν πόσο ισχυρά συνεισφέρει κάθε είσοδος. Η προκατάληψη μετατοπίζει το αποτέλεσμα. Μια μη γραμμική ενεργοποίηση επιτρέπει στα επίπεδα να αντιπροσωπεύουν σχέσεις που μια στοίβα καθαρά γραμμικών πράξεων δεν θα μπορούσε. Για παράδειγμα, η ενεργοποίηση ReLU επιστρέφει μηδέν για μια αρνητική είσοδο και αφήνει μια θετική είσοδο αμετάβλητη. Τα δίκτυα μπορούν να χρησιμοποιούν διαφορετικές ενεργοποιήσεις σε διαφορετικά επίπεδα. Ένα επίπεδο εξόδου επιλέγεται για να ταιριάζει στην εργασία: μια αριθμητική πρόβλεψη δεν ερμηνεύεται με τον ίδιο τρόπο όπως οι βαθμολογίες για πιθανές κατηγορίες. Κατά τη διάρκεια της προπόνησης, μια συνάρτηση απώλειας συγκρίνει την απόδοση με το επιθυμητό αποτέλεσμα. Η backpropagation χρησιμοποιεί τον κανόνα της αλυσίδας για να υπολογίσει πώς οι παράμετροι επηρεάζουν την απώλεια. Στη συνέχεια, ένας βελτιστοποιητής χρησιμοποιεί αυτές τις πληροφορίες για να ενημερώσει τις παραμέτρους. Η οπίσθια διάδοση υπολογίζει τις κλίσεις. δεν αποτελεί εγγύηση ότι το μοντέλο θα βρει την καλύτερη δυνατή λύση ή θα γενικεύσει καλά. Η εγκεφαλική αναλογία είναι περιορισμένη. Οι τεχνητοί νευρώνες είναι μαθηματικές αφαιρέσεις και ένα επιτυχημένο δίκτυο δεν είναι απόδειξη ενός ανθρώπινου μυαλού. Ένα μεγαλύτερο δίκτυο μπορεί να μοντελοποιήσει περίπλοκες σχέσεις, αλλά μπορεί επίσης να κοστίσει περισσότερο η λειτουργία του, να ταιριάζει σε άσχετα μοτίβα ή να αποτύχει όταν αλλάζουν οι συνθήκες. Συγκρίνετε το με μια απλούστερη γραμμή βάσης και δοκιμάστε σε παραδείγματα εκτός των δεδομένων εκπαίδευσης.
04Δουλευμένο παράδειγμα
Υπολογίστε έναν τεχνητό νευρώνα
Χρησιμοποιήστε δύο εισόδους, 0,8 και 0,5, με βάρη 0,6 και -0,4 και προκατάληψη 0,1.
Το σταθμισμένο άθροισμα είναι (0,8 × 0,6) + (0,5 × -0,4) + 0,1 = 0,38.
Το ReLU επιστρέφει 0,38. Εάν η δεύτερη είσοδος αλλάξει σε 1,5, το άθροισμα γίνεται -0,02 και το ReLU επιστρέφει 0.
Αυτό που δείχνει
Αυτός ο ενδεικτικός υπολογισμός είναι ένας μετασχηματισμός μέσα σε ένα δίκτυο. Η τιμή 0,38 είναι μια ενεργοποίηση, όχι μια αξίωση εμπιστοσύνης 38%.
Υλοποίηση σε πραγματικό κόσμο
Ένα δίκτυο όρασης μετατρέπει τις τιμές των pixel σε χαρακτηριστικά χρήσιμα για την ταξινόμηση μιας εικόνας.
Ένα γλωσσικό μοντέλο μετατρέπει τις αναπαραστάσεις διακριτικών σε βαθμολογίες που χρησιμοποιούνται για τη δημιουργία επόμενων διακριτικών.
Ένα δίκτυο προβλέψεων αντιστοιχίζει τις πρόσφατες παρατηρήσεις σε μια αριθμητική εκτίμηση που πρέπει να αξιολογηθεί σε σχέση με μελλοντικά αποτελέσματα.
Κάνοντάς το στην πράξη
Γιατί έχει σημασία
- Σαφέστερες αποφάσεις. Σας βοηθά να διαχωρίσετε σαφείς τεχνικούς ισχυρισμούς από τη γλώσσα μάρκετινγκ.
- Κόστος και προϋπολογισμός. Μπορείτε να κάνετε καλύτερες ερωτήσεις εφαρμογής προτού ξοδέψετε χρήματα ή χρόνο.
- Ομάδα και ροή εργασίας. Οι ομάδες με κοινή κατανόηση λαμβάνουν καλύτερες αποφάσεις για προϊόντα, πολιτικές και μάθηση.
Προσέξτε
- Διαφορετικές ομάδες μπορεί να χρησιμοποιούν τον ίδιο όρο με διαφορετικό τρόπο, επομένως ορίστε το πεδίο εφαρμογής νωρίς.
- Τα σημεία αναφοράς μπορεί να φαίνονται ισχυρά ενώ η απόδοση στον πραγματικό κόσμο είναι άνιση.
- Η αγνόηση της ποιότητας των δεδομένων και των σχεδίων αξιολόγησης δημιουργεί συχνά εύθραυστα αποτελέσματα.
Επόμενα βήματα
- Ξεκινήστε με έναν ορισμό σε απλή γλώσσα του αποτελέσματος που χρειάζεστε.
- Επιλέξτε μία μέτρηση επιτυχίας και μία συνθήκη αποτυχίας πριν από τη δοκιμή.
- Εκτελέστε ένα μικρό πιλότο με αντιπροσωπευτικά δεδομένα, όχι ένα εκλεπτυσμένο σετ επίδειξης.
- Τεκμηριώστε πού βοηθούν τα νευρωνικά δίκτυα και πού είναι καλύτερες οι απλούστερες μέθοδοι.
Πηγές και περαιτέρω ανάγνωση
Συνεχίστε την εξερεύνηση
Δωρεάν ενημερωτικό δελτίο
Λάβετε την καθημερινή ενημέρωση AI
Τρία επαληθευμένα νέα AI κάθε πρωί της εβδομάδας, γραμμένα σε απλή αγγλική. Δωρεάν για πάντα, χωρίς διαφημίσεις.
Ένα email κάθε εργάσιμη ημέρα. Κατάργηση συνδρομής με ένα κλικ. Δεν πουλάμε ή μοιραζόμαστε ποτέ τη διεύθυνσή σας.
Δοκιμάστε τον εαυτό σας
Take the Neural Networks quiz
Άμεση ανάδραση σε κάθε απάντηση, και πιστοποιητικό με επαληθεύσιμο ID μόλις περάσετε το μάθημα.
Υποστηρίξτε τη δωρεάν εκπαίδευση AI. AI Understanding είναι μια μη κερδοσκοπική οργάνωση 501(c)(3) — χωρίς διαφημίσεις, χωρίς τοίχο πληρωμής, ποτέ. Κάντε μια δωρεά
Συχνές ερωτήσεις
Γιατί τα νευρωνικά δίκτυα χρειάζονται λειτουργίες ενεργοποίησης;
Οι μη γραμμικές συναρτήσεις ενεργοποίησης επιτρέπουν στα στοιβαγμένα επίπεδα να αντιπροσωπεύουν μη γραμμικές σχέσεις. Η στοίβαξη μόνο γραμμικών πράξεων θα παρείχε έναν γραμμικό μετασχηματισμό.
Είναι πάντα καλύτερο ένα μεγαλύτερο νευρωνικό δίκτυο;
Όχι. Η απόδοση εξαρτάται από την εργασία, τα δεδομένα, την εκπαίδευση, την αξιολόγηση και τους περιορισμούς ανάπτυξης. Περισσότερες παράμετροι μπορούν να αυξήσουν το κόστος και δεν εγγυώνται πιο αξιόπιστα αποτελέσματα.
Συνέχισε να μαθαίνεις
Σχετικοί οδηγοί
Επιλέχθηκαν περισσότεροι οδηγοί για αυτό το θέμα