Увод у класификацију неуронске мреже
Неуронске мреже су најефикаснији начин (да, добро сте прочитали) за решавање проблема у стварном свету у вештачкој интелигенцији. Тренутно је такође једно од изузетно опсежно истражених подручја рачунарске науке, док би се читао овај чланак, развио нови облик неуронске мреже. Постоји стотине неуронских мрежа за решавање проблема специфичних за различите домене. Овде ћемо вас провести кроз различите врсте основних неуронских мрежа редоследом све веће сложености.
Различите врсте основа у класификацији неуронских мрежа
1. Плитке неуронске мреже (колаборативно филтрирање)
Неуронске мреже су направљене од група Перцептрона да симулирају неурону структуру људског мозга. Плитке неуронске мреже имају један скривени слој перцептрона. Један од најчешћих примера плитких неуронских мрежа је колаборативно филтрирање. Скривени слој перцептрона био би обучен да представља сличности између ентитета у циљу генерисања препорука. Систем препорука у Нетфлику, Амазону, ИоуТубеу итд. Користи верзију колаборативног филтрирања како би препоручио њихове производе у складу са интересовањем корисника.
2. вишеслојни перцептрон (дубоке неуронске мреже)
Неуронске мреже са више од једног скривеног слоја називају се дубоке неуронске мреже. Споилер Алерт! Све следеће неуронске мреже су облик дубоке неуронске мреже прошаране / побољшане за решавање проблема специфичних за домену. Уопште, помажу нам да постигнемо универзалност. С обзиром на довољан број сакривених слојева неурона, дубока неуронска мрежа може приближити тј решити било који сложени стварни проблем.
Теорема универзалног приближавања је језгро дубоких неуронских мрежа којима се оспособљава и уклапа било који модел. Свака верзија дубоке неуронске мреже развијена је у потпуности повезаним слојем мак сакупљеног продукта умножавања матрице који је оптимизиран алгоритмима бацкпропагације. Наставићемо да учимо побољшања која резултирају различитим облицима дубоких неуронских мрежа.
3. Конволуционарна неуронска мрежа (ЦНН)
ЦНН-ови су најзрелији облик дубоких неуронских мрежа да би се произвели најтачнији тј. Бољи од људских резултата у рачунарском виду. ЦНН-ови су направљени од слојева намотаја који су створени скенирањем сваког пиксела слика у скупу података. Како се подаци приближавају слој по слој, ЦНН почиње препознавати обрасце и на тај начин препознаје објекте на сликама. Ови се објекти широко користе у различитим апликацијама за идентификацију, класификацију итд. Недавна пракса попут учења о трансферу у ЦНН-има довела је до значајних побољшања у нетачности модела. Гоогле преводилац и Гоогле објектив су најсавременији пример ЦНН-а.
Примена ЦНН-ова је експоненцијална јер се чак користе и за решавање проблема који превасходно нису повезани са рачунарским видом. Овде можете пронаћи врло једноставно, али интуитивно објашњење ЦНН-ова.
4. Понављајућа неуронска мрежа (РНН)
РНН-ови су најновији облик дубоких неуронских мрежа за решавање проблема у НЛП-у. Једноставно речено, РНН-ови враћају излаз неколико скривених слојева назад у улазни слој ради агрегирања и преносе апроксимацију до сљедеће итерације (епохе) улазног скупа података. Такође помаже моделу да самостално учи и брже до одређене мере исправља предвиђања. Овакви модели су од велике помоћи у разумевању семантике текста у НЛП операцијама. Постоје различите варијанте РНН-ова као што су дуготрајна меморија (ЛСТМ), ретардирана јединица (ГРУ), итд.
5. Дуго краткотрајна меморија (ЛСТМ)
ЛСТМ-ови су дизајнирани посебно за решавање проблема нестајућих градијената са РНН-ом. Нестајући градијенти се дешавају са великим неуронским мрежама где се градијенти губитничких функција приближавају нули правећи паузирање неуронских мрежа да би се научило. ЛСТМ решава овај проблем спречавајући функције активирања унутар својих рекордних компоненти и тако што меморисане вредности не мења. Ова мала промена донела је велика побољшања у финалном моделу што је резултирало тиме да су технолози великани прилагодили ЛСТМ у својим решењима. Прелазимо на „најједноставнију илустрацију ЛСТМ-а“,
6. Мреже засноване на пажњи
Модели пажње полако преузимају чак и нове РНН-ове у пракси. Модели пажње изграђени су тако што се фокусирају на део подскупина информација које су дате и тако елиминишу огромну количину позадинских информација које нису потребне за задатак. Модели пажње грађени су комбинацијом меке и тврде пажње и намештања уз помоћ меке пажње која се шири уназад. Модели са више пажњи хијерархијски сложени назива се Трансформер. Ови трансформатори су ефикаснији за паралелно покретање снопака тако да дају врхунске резултате уз релативно мање података и времена за обуку модела. Дистрибуција пажње постаје врло моћна када се користи са ЦНН / РНН и може произвести опис текста на слици која следи.
Технички дивови попут Гооглеа, Фацебоока итд. Брзо прилагођавају моделе пажње за изградњу својих решења.
7. Генеративе Адверсариал Нетворк (ГАН)
Иако модели дубоког учења пружају врхунске резултате, далеко интелигентнији људски колеге могу их заварати додавањем шума подацима у стварном свету. ГАН-ови су најновији развој дубоког учења за решавање таквих сценарија. ГАН-ови користе неконтролисано учење где су дубоке неуронске мреже обучене са подацима генерисаним АИ моделом заједно са стварним подацима да би побољшали тачност и ефикасност модела. Ови противнички подаци се углавном користе да би се заваравао дискриминаторни модел у циљу стварања оптималног модела. Резултирајући модел има бољу апроксимацију него што може превладати такав шум. Интерес за истраживање за ГАН довео је до софистициранијих имплементација као што су Цондитионал ГАН (ЦГАН), Лаплациан Пирамид ГАН (ЛАПГАН), Супер Ресолутион ГАН (СРГАН) итд.
Закључак - Класификација неуронске мреже
Дубоке неуронске мреже су гурнуле границе рачунара. Они се не ограничавају само на класификацију (ЦНН, РНН) или предвиђања (колаборативно филтрирање), већ чак и на стварање података (ГАН). Ови подаци могу варирати од прелепог облика уметности до контроверзних дубоких фалсификата, али задатак свакодневно надмашују људе. Стога бисмо требали размотрити етику и утицаје АИ-ја док напорно радимо на изградњи ефикасног модела неуронске мреже. Вријеме је за уредну инфографику о неуронским мрежама.
Препоручени чланци
Ово је водич за класификацију неуронске мреже. Овде смо разговарали о различитим типовима основних неуронских мрежа. Можете и да прођете кроз наше дате чланке да бисте сазнали више -
- Шта су неуронске мреже?
- Алгоритми неуронске мреже
- Мрежни алати за скенирање
- Понављајуће неуронске мреже (РНН)
- Топ 6 поређења између ЦНН и РНН