Walton Electronics Co., Ltd.
Μας ελάτε σε επαφή με

Υπεύθυνος : Walton-cara

Τηλεφωνικό νούμερο : 15986872308

Free call

Δημιουργώντας τα προγράμματα που μαθαίνουν

July 1, 2022

τα τελευταία νέα της εταιρείας για Δημιουργώντας τα προγράμματα που μαθαίνουν

  Η τεχνητή νοημοσύνη αποτελεί τον πυρήνα των δραματικών προόδων σε αυτοκίνητο, την υγειονομική περίθαλψη, τα βιομηχανικά συστήματα, και έναν επεκτειμένος αριθμό τομέων εφαρμογής. Δεδομένου ότι το ενδιαφέρον συνεχίζει να αυξάνεται, η φύση του AI έχει αποσπάσει κάποιους σύγχυση και ακόμη και φόβο για τον αυξανόμενο ρόλο του AI στη καθημερινή ζωή. Ο τύπος του AI που επιτρέπει έναν αυξανόμενο αριθμό έξυπνων προϊόντων στηρίζεται στις απλές αλλά nontrivial μεθόδους εφαρμοσμένης μηχανικής για να παραδώσει τις ικανότητες αφαίρεσε μακριά από το πολιτισμός-τελειώνοντας AI της επιστημονικής φαντασίας.

  Οι ορισμοί του AI κυμαίνονται από το του πιό πολύ προωθώ-και ακόμα εννοιολογική μορφή, όπου οι μηχανές είναι ανθρώπινος-όπως στη συμπεριφορά, σε μια πιό γνωστή μορφή όπου οι μηχανές εκπαιδεύονται για να εκτελέσουν τους συγκεκριμένους στόχους. Με πιό προηγμένη μορφή του, τα αληθινά τεχνητά intelligences θα λειτουργούσαν χωρίς τη ρητούς κατεύθυνση και τον έλεγχο των ανθρώπων για να φθάσουν ανεξάρτητα σε κάποιο συμπέρασμα ή να λάβουν κάποια μέτρα ακριβώς όπως ένας άνθρωπος. Στο περισσότερο μηχανική-προσανατολισμένο στον το γνωστό τέλος του φάσματος AI, οι μέθοδοι μηχανή-εκμάθησης (μιλ.) αποτελούν χαρακτηριστικά την υπολογιστική βάση για τις τρέχουσες εφαρμογές AI. Αυτές οι μέθοδοι παράγουν τις απαντήσεις στα δεδομένα εισόδου με την εντυπωσιακή ταχύτητα και την ακρίβεια χωρίς χρησιμοποίηση του κώδικα που γράφεται ρητά για να δώσει εκείνες τις απαντήσεις. Ενώ οι προγραμματιστές λογισμικού γράφουν τον κώδικα στα στοιχεία διαδικασίας στα συμβατικά συστήματα, το στοιχείο χρήσης υπεύθυνων για την ανάπτυξη μιλ. για να διδάξει τους αλγορίθμους μιλ. όπως το τεχνητό νευρικό δίκτυο διαμορφώνει για να παραγάγει τις επιθυμητές απαντήσεις στα στοιχεία.
Πώς ένα βασικό νευρικό πρότυπο δικτύων χτίζεται;
Μεταξύ των πιό γνωστών τύπων μηχανών που μαθαίνουν, τα νευρικά πρότυπα δικτύων περνούν τα στοιχεία από το στρώμα εισαγωγής τους μέσω των κρυμμένων στρωμάτων σε ένα στρώμα παραγωγής (σχήμα 1). Όπως περιγράφεται, τα κρυμμένα στρώματα εκπαιδεύονται για να εκτελέσουν μια σειρά transformationsthat εξάγουν τα χαρακτηριστικά γνωρίσματα που απαιτούνται για να διακρίνουν μεταξύ των διαφορετικών κατηγοριών δεδομένων εισόδου. Αυτοί οι μετασχηματισμοί καταλήγουν μέσα
οι τιμές φόρτωσαν στο στρώμα παραγωγής, όπου κάθε μονάδα παραγωγής παρέχει μια αξία που αντιπροσωπεύει την πιθανότητα ότι το δεδομένο εισόδου ανήκει σε μια ιδιαίτερη κατηγορία. Με αυτήν την προσέγγιση, οι υπεύθυνοι για την ανάπτυξη μπορούν να ταξινομήσουν τα στοιχεία όπως οι εικόνες ή οι μετρήσεις αισθητήρων χρησιμοποιώντας μια κατάλληλη νευρική δικτυακή αρχιτεκτονική.

  Οι νευρικές δικτυακές αρχιτεκτονικές λαμβάνουν πολλές μορφές, που κυμαίνονται από τον απλό τύπο feedforward νευρικού δικτύου που παρουσιάζεται στο σχήμα 1 στα βαθιά νευρικά δίκτυα (DNNs) που χτίζονται με διάφορα κρυμμένα στρώματα και τα μεμονωμένα στρώματα που περιέχουν τις εκατοντάδες χιλιάδες των νευρώνων. Εντούτοις, οι διαφορετικές αρχιτεκτονικές στηρίζονται χαρακτηριστικά σε μια τεχνητή μονάδα νευρώνων με τις πολλαπλάσιες εισαγωγές και μια ενιαία παραγωγή (σχήμα 2). Σχήμα 1: Τα νευρικά δίκτυα περιλαμβάνουν τα στρώματα των τεχνητών νευρώνων που εκπαιδεύονται για να διακρίνουν μεταξύ των διαφορετικών κατηγοριών δεδομένων εισόδου. (Πηγή: προσαρμοσμένος από Wikipedia)

τα τελευταία νέα της εταιρείας για Δημιουργώντας τα προγράμματα που μαθαίνουν  0

τα τελευταία νέα της εταιρείας για Δημιουργώντας τα προγράμματα που μαθαίνουν  1

Σχήμα 2: Ένας τεχνητός νευρώνας παράγει μια παραγωγή βασισμένη σε μια λειτουργία actiation που λειτουργεί

στο ποσό των nouron που σταθμίζονται imputs. (Πηγή: Wikipedia)

 

 

Σε ένα feedforward νευρικό δίκτυο, ένας ιδιαίτερος νευρώνας ν, στο κρυμμένο στρώμα αθροίζει τις εισαγωγές του, Χ, που ρυθμίζεται από ένα εισαγωγή-συγκεκριμένο βάρος WP και προσθέτει έναν στρώμα-συγκεκριμένο προκατειλημμένο παράγοντα β (που δεν παρουσιάζεται στο σχήμα) ως fllows:

τα τελευταία νέα της εταιρείας για Δημιουργώντας τα προγράμματα που μαθαίνουν  2

 

  Τέλος, οι αθροισμένες τιμές μετατρέπονται σε μια ενιαία παραγωγή αξίας από μια λειτουργία ενεργοποίησης. Ανάλογα με τις απαιτήσεις, αυτές οι λειτουργίες μπορούν να λάβουν πολλές μορφές, όπως μια απλή λειτουργία βημάτων, μια εφαπτομένη τόξων, ή μια μη γραμμική χαρτογράφηση όπως μια αποκατεστημένη γραμμική μονάδα (ReLU), ποια αποτελέσματα 0 για S0<>.

Αν και όλοι έχουν ως σκοπό να εξαγάγουν τα ιδιαίτερα χαρακτηριστικά γνωρίσματα των στοιχείων, οι διαφορετικές αρχιτεκτονικές να χρησιμοποιήσουν τους σημαντικά διαφορετικούς μετασχηματισμούς. Παραδείγματος χάριν, συνελικτικά νευρικά δίκτυα (CNNs) που χρησιμοποιούνται στις συνελίξεις πυρήνων χρήσης εφαρμογών εικόνα-αναγνώρισης. Σε αυτό, οι λειτουργίες, αποκαλούμενες πυρήνες, εκτελούν τις συνελίξεις στην εικόνα εισαγωγής για να το μετασχηματίσουν στους χάρτες χαρακτηριστικών γνωρισμάτων. Τα επόμενα στρώματα εκτελούν περισσότερες συνελίξεις ή άλλα λειτουργίες, περαιτέρω εξάγοντας και μετασχηματίζοντας χαρακτηριστικά γνωρίσματα έως ότου παράγει το πρότυπο CNN μια παρόμοια παραγωγή πιθανότητας ταξινόμησης όπως στα απλούστερα νευρικά δίκτυα. Εντούτοις, για τους υπεύθυνους για την ανάπτυξη, το ελλοχεύον math για τις δημοφιλείς νευρικές δικτυακές αρχιτεκτονικές είναι κατά ένα μεγάλο μέρος διαφανές λόγω της διαθεσιμότητας των εργαλείων ανάπτυξης μιλ. (που συζητούνται αλλού σε αυτό το ζήτημα). Χρησιμοποιώντας εκείνα τα εργαλεία, οι υπεύθυνοι για την ανάπτυξη μπορούν αρκετά εύκολα να εφαρμόσουν ένα νευρικό πρότυπο δικτύων και να αρχίσουν το χρησιμοποιώντας ένα σύνολο στοιχείων αποκαλούμενων σύνολο κατάρτισης. Αυτό το σύνολο στοιχείων κατάρτισης περιλαμβάνει ένα αντιπροσωπευτικό σύνολο παρατηρήσεων στοιχείων και το σωστό casification για κάθε παρατήρηση και αντιπροσωπεύει μια από τις πιό προκλητικές πτυχές της νευρικής πρότυπης ανάπτυξης δικτύων.

Πώς ένα νευρικό πρότυπο δικτύων εκπαιδεύεται και επεκτείνεται;

  Στο παρελθόν, οι υπεύθυνοι για την ανάπτυξη που δημιουργούν τα σύνολα κατάρτισης είχαν ltte την επιλογή αλλά για να εργαστούν μέσω πολλών χιλιάδων παρατηρήσεις που απαιτήθηκαν σε ένα χαρακτηριστικό σύνολο, ονομάζοντας με το χέρι κάθε παρατήρηση με το σωστό όνομά του. Παραδείγματος χάριν, για να δημιουργήσει ένα σύνολο κατάρτισης για μια εφαρμογή αναγνώρισης οδικών σημαδιών, αυτοί

ανάγκη να αντιμετωπισθούν οι εικόνες των οδικών σημαδιών και να ονομαστεί κάθε εικόνα με το σωστό όνομα σημαδιών. Τα σύνολα δημόσιων τομέων προσημειωμένων στοιχείων αφήνουν πολλούς μηχανή-μαθαίνοντας ερευνητές να αποφύγουν αυτόν τον στόχο και να εστιάσουν στην ανάπτυξη αλγορίθμου. Για τις εφαρμογές μιλ. παραγωγής, εντούτοις, ο στόχος μαρκαρίσματος μπορεί να παρουσιάσει μια σημαντική πρόκληση. Η προηγμένη χρήση υπεύθυνων για την ανάπτυξη μιλ. συχνά προδιαμόρφωσε τα πρότυπα στο α

αποκαλούμενη διαδικασία μεταφορά που μαθαίνει να βοηθά να διευκολύνει αυτό το πρόβλημα.

Ελάτε σε επαφή μαζί μας

Εισάγετε το μήνυμά σας