Mustaqil ish Mavzu: Mashinali o‘qitish jarayonining umumiy qadamlari Fan: Mashinali o’qitishga kirish

Neyron Tarmoqlar Qanday Ishlaydi?

Sun'iy neyronlar murakkab tizimlar bo'lgan neyron tarmoqlarda qo'llaniladi. Perseptronlar deb ham ataladigan sun'iy neyronlar quyidagi tarkibiy qismlardan iborat:

• 
  kirish
  
• 
  vazn
  
• 
  Bias
  
• 
  Faollashtirish funktsiyasi
  
• 
  chiqish
  

Neyron tarmoqlarini tashkil etuvchi neyron qatlamlari. Neyron tarmoq uchta qatlamdan iborat:

1. 
   Kirish qatlami
   
2. 
   Yashirin qatlam
   
3. 
   Chiqish qatlami
   

Raqamli qiymat ko'rinishidagi ma'lumotlar kirish qatlamiga yuboriladi. Tarmoqning yashirin qatlamlari eng ko'p hisob-kitoblarni amalga oshiradigan qatlamlardir. Chiqish qatlami, oxirgi, lekin eng muhimi, natijani prognoz qiladi. Neyron tarmog'ida neyronlar bir-biridan ustunlik qiladi. Har bir qatlamni qurish uchun neyronlardan foydalaniladi. Ma'lumotlar kirish qatlami olinganidan keyin yashirin qatlamga yo'naltiriladi.
Har bir kirish uchun og'irliklar qo'llaniladi. Neyron tarmog'ining yashirin qatlamlari ichida og'irlik kiruvchi ma'lumotlarni tarjima qiladigan qiymatdir. Og'irliklar kirish ma'lumotlarini kirish qatlamidagi og'irlik qiymatiga ko'paytirish orqali ishlaydi.
Keyin birinchi yashirin qatlam qiymatini boshlaydi. Kirish ma'lumotlari o'zgartiriladi va yashirin qatlamlar orqali boshqa qatlamga uzatiladi. Chiqish qatlami yakuniy natijani yaratish uchun javobgardir. Kirishlar va og'irliklar ko'paytiriladi va natija yashirin qatlam neyronlariga yig'indi sifatida etkaziladi. Har bir neyronga moyillik beriladi. Jami hisoblash uchun har bir neyron o'zi qabul qilgan ma'lumotlarni qo'shadi.

Shundan so'ng, qiymat faollashtirish funktsiyasi orqali o'tadi. Faollashtirish funktsiyasining natijasi neyron faollashtirilgan yoki yo'qligini aniqlaydi. Neyron faol bo'lsa, u boshqa qatlamlarga ma'lumot yuboradi. Ushbu usul yordamida neyron chiqish qatlamiga yetguncha ma'lumotlar tarmoqda yaratiladi. Oldinga tarqalish - buning boshqa atamasi.

Kirish tuguniga ma'lumotlarni kiritish va chiqish tugunlari orqali chiqishni olish texnikasi oldinga uzatish deb nomlanadi. Kirish ma'lumotlari yashirin qatlam tomonidan qabul qilinganda, oldinga uzatish sodir bo'ladi. U faollashtirish funktsiyasiga muvofiq qayta ishlanadi va keyin chiqishga o'tkaziladi.
Natija eng yuqori ehtimollik bilan chiqish qatlamidagi neyron tomonidan prognoz qilinadi. Chiqish noto'g'ri bo'lsa, orqaga tarqalish sodir bo'ladi. Neyron tarmog'ini yaratishda har bir kirish uchun og'irliklar ishga tushiriladi. Orqaga tarqalish - bu xatolarni kamaytirish va aniqroq chiqishni ta'minlash uchun har bir kirishning og'irligini qayta sozlash jarayoni.
Neyron tarmoqlar turli fanlar bo'yicha ma'lumotlar muammolarini hal qilish uchun ishlatiladi; ba'zi misollar quyida ko'rsatilgan.

1. 
   Yuzni tanib olish - Yuzni tanish echimlari samarali kuzatuv tizimlari bo'lib xizmat qiladi. Tanish tizimlari raqamli fotosuratlarni inson yuzlari bilan bog'laydi. Ular tanlab kirish uchun ofislarda qo'llaniladi. Shunday qilib, tizimlar inson yuzini tekshiradi va uni ma'lumotlar bazasida saqlangan identifikatorlar ro'yxati bilan taqqoslaydi.
   
2. 
   Aktsiyalarni bashorat qilish - investitsiyalar bozor xatarlariga duchor bo'ladi. Qimmatbaho qog'ozlar bozorida kelajakdagi o'zgarishlarni oldindan aytish deyarli qiyin. Neyron tarmoqlardan oldin doimiy o'zgaruvchan buqa va pasayish fazalarini oldindan aytib bo'lmaydi. Ammo hamma narsani nima o'zgartirdi? Albatta, biz neyron tarmoqlar haqida gapirayapmiz... Ko'p qatlamli Perceptron MLP (oldinga uzatiladigan sun'iy intellekt tizimining bir turi) real vaqt rejimida muvaffaqiyatli aksiyalar prognozini yaratish uchun ishlatiladi.
   
3. 
   Ijtimoiy media- Qanchalik jo'shqin ko'rinishidan qat'i nazar, ijtimoiy media mavjudlikning oddiy yo'lini o'zgartirdi. Ijtimoiy tarmoq foydalanuvchilarining xatti-harakatlari sun'iy neyron tarmoqlar yordamida o'rganiladi. Raqobat tahlili uchun har kuni virtual o'zaro ta'sirlar orqali taqdim etiladigan ma'lumotlar yig'iladi va tekshiriladi. Ijtimoiy tarmoq foydalanuvchilarining xatti-harakatlari neyron tarmoqlar tomonidan takrorlanadi. Ma'lumotlar ijtimoiy media tarmoqlari orqali tahlil qilingandan so'ng, odamlarning xatti-harakatlari odamlarning xarajatlari bilan bog'lanishi mumkin. Ijtimoiy media ilovalaridagi ma'lumotlar Multilayer Perceptron ANN yordamida qazib olinadi.
   
4. 
   Sog'liqni saqlash - Bugungi dunyoda odamlar sog'liqni saqlash sanoatida texnologiya afzalliklaridan foydalanmoqda. Sog'liqni saqlash sohasida konvolyutsion neyron tarmoqlar rentgen nurlarini aniqlash, kompyuter tomografiyasi va ultratovush tekshiruvi uchun ishlatiladi. Yuqorida aytib o'tilgan testlardan olingan tibbiy tasvirlash ma'lumotlari neyron tarmoq modellari yordamida baholanadi va baholanadi, chunki CNN tasvirni qayta ishlashda qo'llaniladi. Ovozni aniqlash tizimlarini ishlab chiqishda takroriy neyron tarmog'i (RNN) ham qo'llaniladi.
   
5. 
   Ob-havo hisoboti - Sun'iy intellektni amalga oshirishdan oldin, meteorologiya bo'limining prognozlari hech qachon aniq bo'lmagan. Ob-havo prognozi asosan kelajakda sodir bo'ladigan ob-havo sharoitlarini bashorat qilish uchun amalga oshiriladi. Zamonaviy davrda tabiiy ofatlar ehtimolini oldindan bilish uchun ob-havo prognozlaridan foydalaniladi. Ob-havoni prognozlash ko'p qatlamli perseptron (MLP), konvolyutsion neyron tarmoqlari (CNN) va takroriy neyron tarmoqlari (RNN) yordamida amalga oshiriladi.
   
6. 
   Mudofaa - Logistika, qurolli hujum tahlili va ob'ektning joylashuvi neyron tarmoqlardan foydalanadi. Ular, shuningdek, havo va dengiz patrullarida, shuningdek, avtonom dronlarni boshqarishda ishlaydi. Sun'iy intellekt mudofaa sanoatiga o'z texnologiyasini kengaytirish uchun zarur bo'lgan ko'makni beradi. Suv osti minalarining mavjudligini aniqlash uchun konvolyutsion neyron tarmoqlari (CNN) qo'llaniladi.
   

2. Tensorflow - “Google Brain” jamoasi tomonidan yaratilgan raqamli hisoblash va keng ko'lamli mashinani o'rganish uchun ochiq kodli kutubxona. Tensorflow to'plamlari birgalikda mashinalarni o'rganish va chuqur o'rganish modellari va algoritmlari bilan birga, va ularni umumiy metafora bilan foydali qiladi. Ushbu dasturlarni yuqori samarali C ++ tillarida amalga oshirishda ramkalar yordamida ushbu dasturlarni bajarishda ramka bilan arizalarni yaratish uchun qulay API interfeysini taqdim etish uchun Pythondan foydalanadi.

TensorFlow raqamli hisoblash uchun kuchli, ochiq kodli dasturiy ta'minot kutubxonasi bo'lib, ayniqsa keng miqyosli “Machine Learning” uchun juda mos va qulay sozlanmalarga ega. Uning asosiy prinsipi oddiy: siz avval Pythonda bajarish uchun hisob-kitoblar grafini aniqlaysiz (masalan, 1.1-rasm), keyin TensorFlow bu grafni oladi va uni optimallashtirilgan C++ kodidan foydalanib ishga tushiradi.

Eng muhimi, grafni bir nechta bo'laklarga bo'lish va ularni bir nechta CPU (markaziy protsessor) yoki GPU (grafik protsessor) bo'ylab parallel ravishda ishga tushirish mumkin .TensorFlow, shuningdek, taqsimlangan hisoblashni qo'llab-quvvatlaydi, shuning uchun siz hisob-kitoblarni yuzlab serverlarga bo'lish orqali o'rtacha vaqt ichida ulkan o'quv majmualarida ulkan neyron tarmoqlarni o'rgatishingiz mumkin. TensorFlow har biri millionlab xususiyatlarga ega milliardlab misollardan tashkil topgan o'quv majmuasida millionlab parametrlarga ega tarmoqni o'rgatishi mumkin. Buning ajablanarli joyi yo'q, chunki TensorFlow Google Brain jamoasi tomonidan ishlab chiqilgan va u Google Cloud Speech, Google Photos va Google Search kabi ko'plab Google xizmatlarini quvvatlaydi.
Keras
Agar siz tez va oson chuqur o'rganish modelini yaratishingiz kerak bo'lsa, Keras mukammal tanlovdir. Bu TensorFlow va Theano ramkalari uchun qo'shimcha. Kutubxona ixcham, modulli va kengaytirilishi mumkin bo'lgan holda chuqur o'rganish tarmoqlari bilan tez ishlashga qaratilgan. Keras yuqori darajadagi, intuitiv mavhum mavhumlar to'plamini taqdim etadi, bu esa neyron tarmoqlarni shakllantirishni osonlashtiradi, ilmiy hisoblash kutubxonasidan qat'i nazar, hisoblashning orqa tomoni sifatida ishlatiladi.
Protsessor va GPUda ajoyib ishlaydi.
Murakkab modellarni yaratish uchun birlashtirilishi mumkin bo'lgan deyarli barcha neyron tarmoq modellarini qo'llab-quvvatlaydi.
Platforma to'liq Python-da yozilgan, ya'ni siz standart disk raskadrovka vositalaridan foydalanishingiz mumkin.