Представьте это. Вы находитесь в чужой стране, и все вывески вокруг вас написаны на языке, которого вы не понимаете. Самый логичный выход из этого — вытащить телефон и перевести гуглом свое окружение. Google переведет это на язык, который вы понимаете, и все готово. Это стало возможным только благодаря использованию нейронных сетей.
Что такое нейронные сети? 🧠
Нейронные сети — это подмножество машинного обучения, и они буквально используются, чтобы помочь машинам учиться, но давайте разберемся, что такое нейронные сети, прежде чем переходить к пересечению ML. Нейронные сети также известны как искусственные нейронные сети, и название было на самом деле вдохновлено тем, как функционирует человеческий мозг 🤯. В частности, нейронные сети работают аналогично тому, как нейроны могут отправлять друг другу сигналы. Нейроны получают входные сигналы, и они покидают нейрон как один выход. Это также можно назвать биологической нейронной сетью. Это очень похоже на то, как работают искусственные нейронные сети, есть вход и выход, но все не так просто. Нейронные сети способны распознавать закономерности в данных; данные числовые, которые содержатся в виде векторов. Это позволяет преобразовывать данные, которые мы видим в реальном мире, во что-то, что может понять нейронная сеть. Структура нейронной сети позволяет этому работать.
Как работают нейронные сети?
Нейронные сети состоят из слоев, в частности слоев узлов. Эти слои далее разбиты, есть входной слой, выходной слой и один или несколько скрытых слоев. На изображении ниже показан пример нейронной сети, все узлы которой связаны друг с другом. Каждый отдельный узел имеет свой собственный вес и порог. Вес — это числовое представление связи между каждым узлом; чем выше вес, тем большее влияние он оказывает на следующий узел. Порог является ключевым фактором, позволяющим получать наиболее точные данные из нейронной сети. Если выход определенного узла выше или равен определенному порогу, информация будет передана следующему узлу. Однако, если порог не достигнут, информация не будет передана.
Так что подождите... это все, все так просто?
На самом деле все наоборот: в каждом слое/узле выполняется множество вычислений, чтобы нейронная сеть получила окончательный результат. Когда данные проходят через нейронную сеть, они сначала подаются через входной слой. Каналы, соединяющие каждый слой, имеют числовые значения, они называются весами. После определения входного слоя каналам присваиваются веса. Веса назначаются в соответствии с их важностью для определяемой переменной (более высокие веса играют более важную роль в выходе).
Вот где математика вступает в игру; входные значения, которые имеет каждый нейрон, умножаются на соответствующий вес. Затем сумма отправляется в качестве входных данных на следующий слой, и к этому вводу добавляется смещение. Смещение — это константа, которая помогает модели наилучшим образом соответствовать данным. Таким образом, математическое уравнение будет выглядеть примерно так:
После этого определенное значение проходит через пороговую функцию, более известную как функция активации. Функция активации решает, активируется нейрон или нет. Активированные нейроны продолжают передавать данные на следующий слой, это более известно как прямое распространение. Это продолжается до тех пор, пока не будет достигнут выходной слой, после чего нейронная сеть выдаст окончательный результат.
Что, если нейронная сеть выдаст неверный результат 🤔
Нейронные сети не идеальны, они требуют много обучения, и на начальных этапах обучения они будут ошибаться во многих прогнозах. Для этого в нейронную сеть фактически подается правильное выходное значение. Он сравнивает правильный вывод с выводом нейронной сети. Величина ошибки является показателем того, насколько нейронная сеть была далека от правильного вывода. Похоже на изображение ниже 👇
После этого шага эта информация отправляется по сети в обратном направлении, что называется обратным распространением. На основе информации, которую нейронная сеть передает обратно по сети, соответственно корректируются веса. Весь этот процесс прохождения нейронной сети туда и обратно выполняется несколько раз, чтобы помочь обучить сеть.
Типы нейронных сетей
Нейронные сети можно разделить на разные классы; у каждого класса своя цель. Каждый класс имеет свой собственный набор принципов, сильных сторон и приложений. Существует множество типов нейронных сетей, но наиболее распространены три из них: нейронные сети с прямой связью, рекуррентные нейронные сети и сверточные нейронные сети.
Нейронные сети с прямой связью
Эти нейронные сети являются наиболее распространенным типом нейронных сетей; они состоят из входного, скрытого и выходного слоев. Между узлами/нейронами нет обратной связи, все так, как кажется, только прямая связь. Данные движутся в одном направлении, от входного слоя к выходному, внутри этой сети нет петли обратной связи (обратного распространения). Их часто называют многослойными персептронами (MLP). Они состоят из нейронов, помогающих работать с нелинейными данными. Некоторые приложения этих нейронных сетей включают распознавание лиц и компьютерное зрение.
Рекуррентные нейронные сети — долговременная кратковременная память
Рекуррентные нейронные сети являются полной противоположностью нейронной сети с прямой связью; фактором, который отличает RNN, является петля обратной связи внутри сети. По сути, выходные данные определенного ввода передаются обратно через слой, это помогает предсказать окончательный вывод за счет лучшего обучения сети (обратное распространение). В RNN узлы будут отслеживать информацию, полученную на предыдущем шаге. Если прогноз неверен, это значение изменяется для повышения точности сети. RNN в основном используются для распознавания речи и обработки естественного языка (NLP).
Сверточные нейронные сети
Сверточные нейронные сети очень похожи нейронные сети с прямой связью. CNN — это версия многослойных персептронов, все слои связаны друг с другом через каналы. Он имеет взаимосвязанные слои, которые позволяют ему классифицировать изображения. Всего в CNN есть 4 слоя: Сверточный слой, Уровень активации, Уровень объединения и Полностью связанный слой. Все эти слои помогают создать окончательный результат. Если вы хотите узнать больше о CNN, перейдите здесь. CNN в основном используются для обработки сигналов и классификации изображений.
В общем, нейронные сети обучаются и становятся более точными. Они почти везде и становятся все более популярными в современном обществе, будь то анализ данных или распознавание изображений. Они будут продолжать играть жизненно важную роль в области искусственного интеллекта и машинного обучения!
Если вам понравилась моя статья, не забудьте поставить лайк и поделиться ею. Не стесняйтесь связаться со мной в LinkedIn 😁
Мы предоставляем возможность следующему поколению студентов-мыслителей, изобретателей и учащихся публиковать свои мысли, идеи и инновации в письменной форме.
Наши авторы охватывают все области тем — от развития до технологий, вплоть до будущего и мира.
Так что, если вы чувствуете, что вот-вот прыгнете в кроличью нору читая эти невероятные статьи, не волнуйтесь, мы чувствуем то же самое. ;)
Вот почему Студенты x студенты — это место, где ваш голос будет услышан!
Звучит интересно? Почему бы не присоединиться к нам в этом эпическом путешествии?
