ДалееДалее в Основах ИИ
Тесты искусственного интеллекта
Технический
РУКОВОДСТВО ПО ОСНОВАМ
Нейронные сети
Нейронная сеть — это модель машинного обучения, состоящая из связанных математических операций с настраиваемыми параметрами.
Прослушайте это руководствоОзвучено ИИ · ~3 min
На этой странице3 минуты чтения
Обзор
Слои преобразуют входные данные в выходные данные, а обучение корректирует эти параметры для повышения эффективности достижения выбранной цели.
Ключевые выводы
- Веса и смещения — это изученные параметры; функции активации преобразуют промежуточные результаты.
- Обратное распространение ошибки вычисляет градиенты, используемые оптимизатором.
- Внутренняя активация не является автоматически вероятностью или объяснением.
Глубокое погружение
Базовый искусственный нейрон объединяет входные значения с помощью весов, добавляет смещение и применяет функцию активации. Веса определяют, насколько велик вклад каждого входа. Предвзятость меняет результат. Нелинейная активация позволяет слоям представлять отношения, которые не могли бы создать стек чисто линейных операций. Например, активация ReLU возвращает ноль для отрицательного ввода и оставляет положительный ввод неизменным. Сети могут использовать разные активации на разных уровнях. Выходной слой выбирается в соответствии с задачей: числовой прогноз не интерпретируется так же, как оценки для возможных категорий. Во время обучения функция потерь сравнивает выходные данные с желаемым результатом. Обратное распространение ошибки использует правило цепочки для расчета того, как параметры влияют на потери. Затем оптимизатор использует эту информацию для обновления параметров. Обратное распространение ошибки вычисляет градиенты; это не гарантия того, что модель найдет наилучшее возможное решение или хорошо обобщит. Аналогия с мозгом ограничена. Искусственные нейроны — это математические абстракции, и успешная сеть не является свидетельством человеческого разума. Более крупная сеть может моделировать сложные отношения, но ее эксплуатация может стоить дороже, соответствовать нерелевантным шаблонам или выходить из строя при изменении условий. Сравните его с более простым базовым уровнем и протестируйте на примерах за пределами обучающих данных.
04Рабочий пример
Рассчитать один искусственный нейрон
Используйте два входа, 0,8 и 0,5, с весами 0,6 и -0,4 и смещением 0,1.
Взвешенная сумма равна (0,8 × 0,6) + (0,5 × -0,4) + 0,1 = 0,38.
ReLU возвращает 0,38. Если второй ввод изменится на 1,5, сумма станет -0,02, а ReLU вернет 0.
Что это показывает
Этот иллюстративный расчет представляет собой одно преобразование внутри сети. Значение 0,38 является активацией, а не заявлением о достоверности 38%.
Реальная реализация
Сеть машинного зрения преобразует значения пикселей в функции, полезные для классификации изображения.
Языковая модель преобразует представления токенов в оценки, используемые для создания последующих токенов.
Сеть прогнозирования сопоставляет недавние наблюдения с числовой оценкой, которую необходимо сопоставить с будущими результатами.
Применение на практике
Почему это важно
- Более четкие решения. Это поможет вам отделить четкие технические заявления от маркетингового языка.
- Стоимость и бюджет. Вы можете задать более эффективные вопросы по реализации, прежде чем тратить деньги или время.
- Команда и рабочий процесс. Команды с общим пониманием принимают более эффективные решения по продуктам, политике и обучению.
Следите за
- Разные команды могут использовать один и тот же термин по-разному, поэтому заранее определите масштаб.
- Тесты могут выглядеть сильными, в то время как реальная производительность неравномерна.
- Игнорирование качества данных и планов оценки часто приводит к нестабильным результатам.
Следующие шаги
- Начните с простого определения желаемого результата.
- Перед тестированием выберите один показатель успеха и одно условие отказа.
- Запустите небольшой пилотный проект с репрезентативными данными, а не отточенный демонстрационный набор.
- Документируйте, где помогают нейронные сети и где более простые методы лучше.
Источники и дальнейшее чтение
Продолжайте исследовать
Бесплатная рассылка
Получайте ежедневный AI-обзор
Три проверенных AI-истории каждое утро буднего дня, написанные простым английским. Бесплатно навсегда, без рекламы.
Одно электронное письмо каждый будний день. Отписаться в один клик. Мы никогда не продаем и не передаем ваш адрес.
Проверьте себя
Take the Neural Networks quiz
Мгновенная обратная связь по каждому ответу и общий сертификат с проверяемым идентификатором после прохождения курса.
Поддержите бесплатное образование в области искусственного интеллекта. AI Understanding — это некоммерческая организация 501(c)(3). Никакой рекламы и платного доступа. Сделать пожертвование
Часто задаваемые вопросы
Зачем нейронным сетям нужны функции активации?
Нелинейные функции активации позволяют сложенным слоям представлять нелинейные отношения. Объединение только линейных операций все равно приведет к линейному преобразованию.
Всегда ли большая нейронная сеть лучше?
Нет. Производительность зависит от задачи, данных, обучения, оценки и ограничений развертывания. Увеличение количества параметров может привести к увеличению стоимости и не гарантирует более надежных результатов.
Продолжайте учиться
Связанные руководства
Другие руководства, выбранные по этой теме