Alapok ÚTMUTATÓ

Neurális hálózatok

A neurális hálózat egy gépi tanulási modell, amely összekapcsolt matematikai műveletekből áll, állítható paraméterekkel.

Hallgassa meg ezt az útmutatótAI-narrált · ~3 min

Ezen az oldalon3 perc olvasás
  1. Áttekintés
  2. Főbb tanulságok
  3. Mély merülés
  4. Számíts ki egy mesterséges neuront
  5. Valós megvalósítás
  6. A gyakorlatba ültetés
  7. Források és további olvasmányok
  8. Folytassa a felfedezést
  9. Gyakran ismételt kérdések

Áttekintés

A rétegek a bemenetet kimenetté alakítják, és a képzés beállítja ezeket a paramétereket, hogy javítsa a teljesítményt a kiválasztott célon.

Főbb tanulságok

  1. A súlyok és a torzítások tanult paraméterek; az aktiválási függvények átalakítják a köztes eredményeket.
  2. A Backpropagation kiszámítja az optimalizáló által használt színátmeneteket.
  3. A belső aktiválás nem jelent automatikusan valószínűséget vagy magyarázatot.

Mély merülés

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

Számíts ki egy mesterséges neuront

  1. Használjon két bemenetet, 0,8 és 0,5 0,6 és -0,4 súllyal és 0,1 torzítással.

  2. A súlyozott összeg (0,8 × 0,6) + (0,5 × -0,4) + 0,1 = 0,38.

  3. 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.

Valós megvalósítás

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.

A gyakorlatba ültetés

Miért számít

  • Tisztább döntések. Segít elkülöníteni a világos technikai állításokat a marketing nyelvezettől.
  • Költség és költségvetés. Feltehet jobb végrehajtási kérdéseket, mielőtt pénzt vagy időt költene.
  • Csapat és munkafolyamat. A közös tudással rendelkező csapatok jobb döntéseket hoznak a termékekkel, irányelvekkel és tanulással kapcsolatban.

Vigyázz

  • A különböző csapatok eltérően használhatják ugyanazt a kifejezést, ezért korán határozza meg a hatókört.
  • A benchmarkok erősnek tűnhetnek, miközben a valós teljesítmény egyenetlen.
  • Az adatminőségi és értékelési tervek figyelmen kívül hagyása gyakran törékeny eredményekhez vezet.

Következő lépések

  1. Kezdje a kívánt eredmény egyszerű nyelvű meghatározásával.
  2. A tesztelés előtt válasszon egy sikermutatót és egy hibafeltételt.
  3. Futtasson egy kis pilotot reprezentatív adatokkal, ne egy csiszolt demókészlettel.
  4. Dokumentálja, hol segít a neurális hálózat, és hol jobbak az egyszerűbb módszerek.

Források és további olvasmányok

  1. GoogleAktiválási funkciók
  2. GoogleKépzés visszaszaporítással

Folytassa a felfedezést

Ingyenes hírlevél

Szerezze meg a napi AI összefoglalót

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

Take the Neural Networks quiz

Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.

Kezdő kvíz

Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt

Gyakran ismételt kérdések

Miért van szükségük a neurális hálózatoknak aktiválási funkciókra?

A nemlineáris aktiválási függvények lehetővé teszik, hogy a halmozott rétegek nemlineáris kapcsolatokat ábrázoljanak. Csak a lineáris műveletek halmozása továbbra is lineáris transzformációt eredményez.

Mindig jobb egy nagyobb neurális hálózat?

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.