SeterusnyaSeterusnya dalam Yayasan AI
Penanda Aras AI
Teknikal
PANDUAN Asas
Rangkaian Neural
Rangkaian saraf ialah model pembelajaran mesin yang diperbuat daripada operasi matematik bersambung dengan parameter boleh laras.
Dengar panduan iniAI-diceritakan · ~3 min
Pada halaman ini3 min dibaca
Gambaran keseluruhan
Lapisan mengubah input kepada output, dan latihan melaraskan parameter tersebut untuk meningkatkan prestasi pada objektif yang dipilih.
Pengambilan utama
- Berat dan berat sebelah ialah parameter yang dipelajari; fungsi pengaktifan mengubah hasil perantaraan.
- Backpropagation mengira kecerunan yang digunakan oleh pengoptimum.
- Pengaktifan dalaman bukan secara automatik kebarangkalian atau penjelasan.
Menyelam dalam
Neuron tiruan asas menggabungkan nilai input menggunakan pemberat, menambah bias dan menggunakan fungsi pengaktifan. Pemberat mengawal seberapa kuat setiap input menyumbang. Bias mengubah keputusan. Pengaktifan bukan linear membolehkan lapisan mewakili perhubungan yang tidak dapat dilakukan oleh timbunan operasi linear semata-mata. Sebagai contoh, pengaktifan ReLU mengembalikan sifar untuk input negatif dan meninggalkan input positif tidak berubah. Rangkaian boleh menggunakan pengaktifan yang berbeza dalam lapisan yang berbeza. Lapisan keluaran dipilih untuk disesuaikan dengan tugas: ramalan berangka tidak ditafsirkan dengan cara yang sama seperti skor untuk kategori yang mungkin. Semasa latihan, fungsi kerugian membandingkan output dengan hasil yang diingini. Backpropagation menggunakan peraturan rantai untuk mengira cara parameter mempengaruhi kerugian. Pengoptimum kemudian menggunakan maklumat tersebut untuk mengemas kini parameter. Rambatan belakang mengira kecerunan; ia bukan jaminan bahawa model itu akan mencari penyelesaian terbaik atau membuat generalisasi dengan baik. Analogi otak adalah terhad. Neuron buatan adalah abstraksi matematik, dan rangkaian yang berjaya bukanlah bukti minda seperti manusia. Rangkaian yang lebih besar boleh memodelkan perhubungan yang rumit, tetapi ia juga boleh menelan kos yang lebih tinggi untuk dijalankan, sesuai dengan corak yang tidak berkaitan atau gagal apabila keadaan berubah. Bandingkannya dengan garis dasar yang lebih mudah dan uji pada contoh di luar data latihan.
04Contoh yang dikerjakan
Kira satu neuron buatan
Gunakan dua input, 0.8 dan 0.5, dengan berat 0.6 dan -0.4 dan pincang 0.1.
Jumlah wajaran ialah (0.8 × 0.6) + (0.5 × -0.4) + 0.1 = 0.38.
ReLU mengembalikan 0.38. Jika input kedua berubah kepada 1.5, jumlahnya menjadi -0.02 dan ReLU mengembalikan 0.
Apa yang ditunjukkan
Pengiraan ilustrasi ini adalah satu transformasi di dalam rangkaian. Nilai 0.38 ialah pengaktifan, bukan tuntutan keyakinan 38%.
Pelaksanaan Dunia Sebenar
Rangkaian penglihatan mengubah nilai piksel kepada ciri yang berguna untuk mengklasifikasikan imej.
Model bahasa mengubah perwakilan token kepada skor yang digunakan untuk menjana token seterusnya.
Rangkaian ramalan memetakan pemerhatian baru-baru ini kepada anggaran berangka yang mesti dinilai berdasarkan hasil masa hadapan.
Mempraktikkannya
Mengapa ia penting
- Keputusan yang lebih jelas. Ia membantu anda memisahkan tuntutan teknikal yang jelas daripada bahasa pemasaran.
- Kos dan bajet. Anda boleh bertanya soalan pelaksanaan yang lebih baik sebelum menghabiskan wang atau masa.
- Pasukan dan aliran kerja. Pasukan yang berkongsi pemahaman membuat keputusan produk, dasar dan pembelajaran yang lebih baik.
Berhati-hati untuk
- Pasukan yang berbeza mungkin menggunakan istilah yang sama secara berbeza, jadi tentukan skop lebih awal.
- Penanda aras boleh kelihatan kukuh manakala prestasi dunia sebenar tidak sekata.
- Mengabaikan kualiti data dan rancangan penilaian sering menghasilkan hasil yang rapuh.
Langkah seterusnya
- Mulakan dengan definisi bahasa biasa hasil yang anda perlukan.
- Pilih satu metrik kejayaan dan satu keadaan kegagalan sebelum ujian.
- Jalankan juruterbang kecil dengan data perwakilan, bukan set demo yang digilap.
- Dokumen di mana Rangkaian Neural membantu dan kaedah yang lebih mudah adalah lebih baik.
Sumber dan bacaan lanjut
Teruskan Meneroka
Newsletter percuma
Dapatkan taklimat AI harian
Tiga cerita AI yang disahkan setiap pagi hari bekerja, ditulis dalam Bahasa Inggeris biasa. Percuma selamanya, tiada iklan.
Satu e-mel setiap hari bekerja. Berhenti melanggan dalam satu klik. Kami tidak pernah menjual atau berkongsi alamat anda.
Uji diri anda
Take the Neural Networks quiz
Maklum balas segera pada setiap jawapan, dan sijil yang boleh dikongsi dengan ID yang boleh disahkan sebaik sahaja anda lulus kursus.
Sokong pendidikan AI percuma. AI Understanding ialah pertubuhan bukan keuntungan 501(c)(3) — tiada iklan, tiada bayaran dinding, selamanya. Buat derma
Soalan lazim
Mengapa rangkaian saraf memerlukan fungsi pengaktifan?
Fungsi pengaktifan tak linear membenarkan lapisan bertindan mewakili hubungan tak linear. Penimbunan hanya operasi linear masih akan menghasilkan transformasi linear.
Adakah rangkaian saraf yang lebih besar sentiasa lebih baik?
Tidak. Prestasi bergantung pada tugas, data, latihan, penilaian dan kekangan penggunaan. Lebih banyak parameter boleh meningkatkan kos dan tidak menjamin output yang lebih dipercayai.
Teruskan belajar
Panduan berkaitan
Lebih banyak panduan dipilih untuk topik ini