InayofuataInayofuata katika Misingi ya AI
Vigezo vya AI
Kiufundi
MUONGOZO wa Misingi
Mitandao ya Neural
Mtandao wa neva ni modeli ya kujifunza kwa mashine iliyotengenezwa kwa shughuli za hisabati zilizounganishwa na vigezo vinavyoweza kurekebishwa.
Sikiliza mwongozo huuInaonyeshwa na AI · ~3 min
Katika ukurasa huudk 3 kusoma
Muhtasari
Safu hubadilisha ingizo kuwa pato, na mafunzo hurekebisha vigezo hivyo ili kuboresha utendakazi kwenye lengo lililochaguliwa.
Mambo muhimu ya kuchukua
- Uzito na upendeleo ni vigezo vya kujifunza; vitendaji vya uanzishaji hubadilisha matokeo ya kati.
- Uenezaji wa nyuma hukokotoa gradient zinazotumiwa na kiboreshaji.
- Uwezeshaji wa ndani sio uwezekano au maelezo kiatomati.
Dive ya kina
Neuroni bandia ya kimsingi huchanganya thamani za ingizo kwa kutumia uzani, huongeza upendeleo, na kutumia kipengele cha kuwezesha. Uzito hudhibiti jinsi kila pembejeo inavyochangia. Upendeleo hubadilisha matokeo. Uwezeshaji usio na mstari huruhusu tabaka kuwakilisha uhusiano ambao mrundikano wa shughuli za mstari haungeweza. Kwa mfano, uanzishaji wa ReLU unarudisha sifuri kwa ingizo hasi na kuacha pembejeo chanya bila kubadilika. Mitandao inaweza kutumia uanzishaji tofauti katika tabaka tofauti. Safu ya pato imechaguliwa ili kuendana na kazi: utabiri wa nambari haufasiriwi kwa njia sawa na alama za kategoria zinazowezekana. Wakati wa mafunzo, kazi ya kupoteza inalinganisha pato na matokeo yaliyohitajika. Uenezaji nyuma hutumia kanuni ya mnyororo kukokotoa jinsi vigezo vinavyoathiri upotevu. Kiboreshaji basi hutumia habari hiyo kusasisha vigezo. Uenezaji wa nyuma huhesabu gradients; sio hakikisho kwamba mfano utapata suluhisho bora zaidi au kujumlisha vizuri. Ulinganisho wa ubongo ni mdogo. Neuroni Bandia ni vifupisho vya kihisabati, na mtandao uliofanikiwa sio ushahidi wa akili kama ya mwanadamu. Mtandao mkubwa unaweza kuiga mahusiano magumu, lakini pia unaweza kugharimu zaidi kuendesha, kutoshea mifumo isiyo na maana, au kushindwa hali zinapobadilika. Linganisha na msingi rahisi zaidi na jaribu kwa mifano nje ya data ya mafunzo.
04Mfano uliofanya kazi
Kuhesabu neuroni moja ya bandia
Tumia pembejeo mbili, 0.8 na 0.5, na uzani 0.6 na -0.4 na upendeleo wa 0.1.
Jumla ya uzani ni (0.8 × 0.6) + (0.5 × -0.4) + 0.1 = 0.38.
ReLU inarudi 0.38. Ikiwa ingizo la pili litabadilika kuwa 1.5, jumla inakuwa -0.02 na ReLU inarudisha 0.
Nini inaonyesha
Hesabu hii ya kielelezo ni badiliko moja ndani ya mtandao. Thamani 0.38 ni kuwezesha, sio dai la 38%.
Utekelezaji wa Ulimwengu Halisi
Mtandao wa maono hubadilisha thamani za pikseli kuwa vipengele muhimu vya kuainisha picha.
Muundo wa lugha hubadilisha uwasilishaji wa tokeni kuwa alama zinazotumiwa kutoa tokeni zinazofuata.
Mtandao wa utabiri unaonyesha uchunguzi wa hivi majuzi kwa makadirio ya nambari ambayo lazima yatathminiwe dhidi ya matokeo yajayo.
Kuiweka katika vitendo
Kwa nini ni muhimu
- Maamuzi ya wazi zaidi. Inakusaidia kutenganisha madai ya wazi ya kiufundi kutoka kwa lugha ya uuzaji.
- Gharama na bajeti. Unaweza kuuliza maswali ya utekelezaji bora kabla ya kutumia pesa au wakati.
- Timu na mtiririko wa kazi. Timu zenye uelewa wa pamoja hufanya maamuzi bora ya bidhaa, sera na mafunzo.
Jihadharini na
- Timu tofauti zinaweza kutumia neno moja tofauti, kwa hivyo fafanua upeo mapema.
- Vigezo vinaweza kuonekana kuwa na nguvu ilhali utendakazi wa ulimwengu halisi haufanani.
- Kupuuza ubora wa data na mipango ya tathmini mara nyingi huleta matokeo tete.
Hatua zinazofuata
- Anza na ufafanuzi wa lugha rahisi wa matokeo unayohitaji.
- Chagua kipimo kimoja cha mafanikio na hali moja ya kutofaulu kabla ya kujaribu.
- Tekeleza majaribio madogo yenye data wakilishi, si seti ya onyesho iliyoboreshwa.
- Hati ambapo Mitandao ya Neural inasaidia na ambapo mbinu rahisi ni bora zaidi.
Vyanzo na kusoma zaidi
Endelea Kuchunguza
Jarida halali
Pata taarifa ya kila siku ya AI
Hadithi tatu za AI zilizothibitishwa kila asubuhi ya wiki, zimetengenezwa kwa Kiingereza rahisi. Bila malipo daima, hakuna matangazo.
Barua pepe moja kila siku ya wiki. Jiondoe kwa bonyeza moja. Hatutauza au kushiriki anwani yako.
Jijaribu mwenyewe
Fanya jaribio la Neural Networks
Maoni ya haraka juu ya kila jibu, na cheti kinachoweza kushirikishwa na kitambulisho kinachoweza kuthibitishwa baada ya kupita kozi.
Changia elimu ya AI bila malipo. AI Understanding ni 501(c)(3) isiyo na faida — hakuna matangazo, hakuna kizuizi cha malipo, daima. Toa mchango
Maswali yanayoulizwa mara kwa mara
Kwa nini mitandao ya neural inahitaji kazi za kuwezesha?
Vitendo vya kuwezesha visivyo na mstari acha safu zilizopangwa kwa rafu ziwakilishe uhusiano usio na mstari. Kuweka shughuli za mstari pekee bado kunaweza kutoa mabadiliko ya mstari.
Mtandao mkubwa wa neural ni bora kila wakati?
Hapana. Utendaji unategemea kazi, data, mafunzo, tathmini na vikwazo vya kusambaza. Vigezo zaidi vinaweza kuongeza gharama na hazihakikishi matokeo ya kuaminika zaidi.
Endelea kujifunza
Miongozo inayohusiana
Miongozo zaidi imechaguliwa kwa mada hii