LegközelebbKövetkező az AI Foundations
AI referenciaértékek
Műszaki
Alapok ÚTMUTATÓ
A neurális hálózat egy gépi tanulási modell, amely összekapcsolt matematikai műveletekből áll, állítható paraméterekkel.
Hallgassa meg ezt az útmutatótAI-narrált · ~3 min
A rétegek a bemenetet kimenetté alakítják, és a képzés beállítja ezeket a paramétereket, hogy javítsa a teljesítményt a kiválasztott célon.
Egy alapszintű mesterséges neuron a bemeneti értékeket súlyozással kombinálja, torzítást ad hozzá, és aktiválási függvényt alkalmaz. A súlyok szabályozzák, hogy az egyes bemenetek milyen erősen járulnak hozzá. Az elfogultság eltolja az eredményt. A nemlineáris aktiválás lehetővé teszi, hogy a rétegek olyan kapcsolatokat jelenítsenek meg, amelyeket a tisztán lineáris műveletekből álló halom nem képes. Például a ReLU aktiválása nullát ad vissza negatív bemenet esetén, és változatlanul hagyja a pozitív bemenetet. A hálózatok különböző szintű aktiválásokat használhatnak. A kimeneti réteget úgy választják ki, hogy megfeleljen a feladatnak: a numerikus előrejelzés nem értelmezhető ugyanúgy, mint a lehetséges kategóriák pontszámai. A képzés során egy veszteségfüggvény összehasonlítja a kimenetet a kívánt eredménnyel. A Backpropagation a láncszabályt használja annak kiszámításához, hogy a paraméterek hogyan befolyásolják a veszteséget. Ezután egy optimalizáló ezt az információt a paraméterek frissítésére használja. A backpropagation a színátmeneteket számítja ki; ez nem garancia arra, hogy a modell megtalálja a lehető legjobb megoldást vagy jól általánosít. Az agyi analógia korlátozott. A mesterséges neuronok matematikai absztrakciók, és a sikeres hálózat nem az emberhez hasonló elme bizonyítéka. Egy nagyobb hálózat bonyolult kapcsolatokat is modellezhet, de többe is kerülhet a működtetése, illeszkedhet irreleváns mintákhoz, vagy meghibásodhat, ha a körülmények megváltoznak. Hasonlítsa össze egy egyszerűbb alapvonallal, és tesztelje a képzési adatokon kívüli példákon.
04Működő példa
Használjon két bemenetet, 0,8 és 0,5 0,6 és -0,4 súllyal és 0,1 torzítással.
A súlyozott összeg (0,8 × 0,6) + (0,5 × -0,4) + 0,1 = 0,38.
A ReLU 0,38-at ad vissza. Ha a második bemenet 1,5-re változik, az összeg -0,02 lesz, és a ReLU 0-t ad vissza.
Mit mutat
Ez a szemléltető számítás egy hálózaton belüli transzformáció. A 0,38-as érték aktiválás, nem pedig 38%-os megbízhatósági állítás.
A látáshálózat átalakítja a pixelértékeket olyan funkciókká, amelyek hasznosak a képek osztályozásában.
A nyelvi modell a token reprezentációit pontszámokká alakítja, amelyeket a következő tokenek generálására használnak.
Egy előrejelző hálózat leképezi a legutóbbi megfigyeléseket egy számszerű becslésre, amelyet a jövőbeli eredményekhez képest kell értékelni.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
A nemlineáris aktiválási függvények lehetővé teszik, hogy a halmozott rétegek nemlineáris kapcsolatokat ábrázoljanak. Csak a lineáris műveletek halmozása továbbra is lineáris transzformációt eredményez.
Nem. A teljesítmény a feladattól, az adatoktól, a képzéstől, az értékeléstől és a telepítési korlátoktól függ. Több paraméter növelheti a költségeket, és nem garantálja a megbízhatóbb kimenetet.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező az AI Foundations
AI referenciaértékek
Műszaki