Neyron tarmoqlarga kirish
Download 494.32 Kb.
|
Neyron tarmoqlarga kirish
|
Neyron tarmoqlarga kirish Aprel 26, 2022 by Jay Kategoriya: Sun'iy intellekt, Machine Learning MUNDARIJA[SHOW] Sun'iy intellekt (AI) dastlab uzoq orzu, kelajak uchun texnologiya deb hisoblangan, ammo endi bunday emas. Ilgari tadqiqot mavzusi bo'lgan narsa endi haqiqiy dunyoda portlamoqda. AI endi turli joylarda, jumladan ish joyingizda, maktabda, bankda, shifoxonalarda va hatto telefoningizda topiladi. Ular o'zini o'zi boshqaradigan transport vositalarining ko'zlari, Siri va Aleksaning ovozi, ob-havo prognozi ortidagi aql, robot yordamida jarrohlik amaliyoti ortidagi qo'llar va boshqalar. Sun'iy intellekt (AI) zamonaviy hayotning odatiy xususiyatiga aylanib bormoqda. So'nggi bir necha yil ichida sun'iy intellekt keng ko'lamli IT texnologiyalarida asosiy o'yinchi sifatida paydo bo'ldi. Nihoyat, neyron tarmoqdan AI tomonidan yangi narsalarni o'rganish uchun foydalaniladi. Shunday qilib, bugun biz Neyron tarmoqlari, uning qanday ishlashi, turlari, ilovalari va boshqa ko'p narsalarni bilib olamiz. Neyron Tarmoq Nima? In kompyuterni o'rganish, neyron tarmoq - bu sun'iy neyronlarning dasturiy dasturlashtirilgan tarmog'i. U bizning miyamizdagi neyronlarga o'xshash ko'p sonli "neyronlar" qatlamlariga ega bo'lib, inson miyasiga taqlid qilishga harakat qiladi. Neyronlarning birinchi qatlami fotosuratlar, video, ovoz, matn va boshqa ma'lumotlarni qabul qiladi. Ushbu ma'lumotlar barcha darajalar bo'ylab oqadi, bir qatlamning chiqishi keyingi qatlamga oqib chiqadi. Bu mashinani o'rganish uchun tabiiy tilni qayta ishlash kabi eng qiyin vazifalar uchun juda muhimdir. Biroq, boshqa hollarda, aniqlik va samaradorlikni saqlab, model hajmini kamaytirish uchun tizimni siqishni maqsad qilgan ma'qul. Neyron tarmog'ini kesish - bu o'rganilgan modeldan og'irliklarni olib tashlashni o'z ichiga olgan siqish usuli. Odamlarni hayvonlardan ajratish uchun o'rgatilgan sun'iy intellektli neyron tarmog'ini ko'rib chiqing. Rasm neyronlarning birinchi qatlami tomonidan yorqin va qorong'i qismlarga bo'linadi. Ushbu ma'lumotlar qirralarning qaerdaligini aniqlaydigan keyingi qatlamga o'tkaziladi. Keyingi qatlam qirralarning kombinatsiyasi hosil qilgan shakllarni tan olishga harakat qiladi. O'rganilgan ma'lumotlarga ko'ra, siz taqdim etgan tasvir odam yoki hayvonga tegishli ekanligini aniqlash uchun ma'lumotlar xuddi shunday tarzda ko'plab qatlamlardan o'tadi. Ma'lumotlar neyron tarmoqqa berilganda, u ularni qayta ishlashni boshlaydi. Shundan so'ng, kerakli natijaga erishish uchun ma'lumotlar uning darajalari orqali qayta ishlanadi. Neyron tarmoq - bu tuzilgan ma'lumotlardan o'rganadigan va natijalarni ko'rsatadigan mashina. Neyron tarmoqlarda o'rganishning uchta turi mavjud: Nazorat ostidagi o'rganish - kirish va chiqishlar etiketli ma'lumotlardan foydalangan holda algoritmlarga beriladi. Ma'lumotlarni tahlil qilishni o'rgatgandan so'ng, ular kutilgan natijani bashorat qilishadi. Nazoratsiz o'rganish - ANN inson yordamisiz o'rganadi. Belgilangan ma'lumotlar yo'q va chiqish chiqish ma'lumotlarida topilgan naqshlar bo'yicha aniqlanadi. Takomillashtirish tarmoq qabul qilgan fikr-mulohazalardan o'rganadi. 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: Kirish qatlami Yashirin qatlam 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 Tarmoq Turlari 1. Perseptron Minsky-Papert perseptron modeli eng oddiy va eng qadimgi neyron modellaridan biridir. Bu neyron tarmoqning eng kichik birligi bo'lib, kiruvchi ma'lumotlarda xususiyatlarni yoki biznes razvedkasini aniqlash uchun ma'lum hisob-kitoblarni amalga oshiradi. U vaznli ma'lumotlarni oladi va yakuniy natijaga erishish uchun faollashtirish funksiyasini qo'llaydi. TLU (eshik mantiq birligi) perseptronning boshqa nomidir. Perceptron ikkilik klassifikator bo'lib, ma'lumotlarni ikki guruhga bo'ladigan nazorat qilinadigan o'quv tizimidir. Mantiq eshiklari AND, OR va NAND kabilar perseptronlar yordamida amalga oshirilishi mumkin. 2. Oldinga Uzatish Neyron Tarmog'i Kirish ma'lumotlari faqat bir yo'nalishda oqadigan neyron tarmoqlarning eng asosiy versiyasi sun'iy neyron tugunlari orqali o'tadi va chiqish tugunlari orqali chiqadi. Yashirin qatlamlar mavjud yoki bo'lmasligi mumkin bo'lgan joylarda kirish va chiqish qatlamlari mavjud. Ularni bir qatlamli yoki ko'p qatlamli oldinga uzatiladigan neyron tarmoq sifatida tavsiflash mumkin. Amaldagi qatlamlar soni funktsiyaning murakkabligi bilan belgilanadi. U faqat bir yo'nalishda oldinga tarqaladi va orqaga tarqalmaydi. Bu erda og'irliklar doimiy bo'lib qoladi. Faollashtirish funktsiyasini ta'minlash uchun kirishlar og'irliklarga ko'paytiriladi. Buning uchun tasnifni faollashtirish funktsiyasi yoki bosqichli faollashtirish funksiyasidan foydalaniladi. 3. Ko‘p Qavatli Perseptron Murakkablarga kirish neyron tarmoqlari, unda kirish ma'lumotlari sun'iy neyronlarning ko'p qatlamlari orqali yo'naltiriladi. Bu butunlay bog'langan neyron tarmoqdir, chunki har bir tugun keyingi qatlamdagi barcha neyronlarga ulangan. Kirish va chiqish qatlamlarida bir nechta yashirin qatlamlar, ya'ni kamida uch yoki undan ortiq qatlamlar mavjud. U ikki tomonlama tarqalishga ega, ya'ni u oldinga va orqaga tarqala oladi. Kirishlar og'irliklarga ko'paytiriladi va faollashtirish funktsiyasiga yuboriladi, bu erda ular yo'qotishni minimallashtirish uchun orqaga tarqalish orqali o'zgartiriladi. Og'irliklar oddiy qilib aytganda, Neyron tarmoqlaridan mashina tomonidan o'rganilgan qiymatlardir. Kutilayotgan natijalar va o'quv kirishlari o'rtasidagi nomutanosiblikka qarab, ular o'z-o'zidan sozlanadi. Softmax chiziqli bo'lmagan faollashtirish funktsiyalaridan keyin chiqish qatlamini faollashtirish funktsiyasi sifatida ishlatiladi. 4. Konvolyutsion Neyron Tarmoq An'anaviy ikki o'lchovli massivdan farqli o'laroq, konvolyutsion neyron tarmog'i neyronlarning uch o'lchovli konfiguratsiyasiga ega. Birinchi qatlam konvolyutsion qatlam sifatida tanilgan. Konvolyutsion qatlamdagi har bir neyron faqat ko'rish maydonining cheklangan qismidagi ma'lumotlarni qayta ishlaydi. Filtr kabi, kiritish xususiyatlari ommaviy rejimda olinadi. Tarmoq bo'limlardagi rasmlarni tushunadi va butun tasvirni qayta ishlashni tugatish uchun bu amallarni bir necha marta bajarishi mumkin. Rasm qayta ishlash jarayonida RGB yoki HSI dan kulrang rangga o'zgartiriladi. Piksel qiymatining keyingi o'zgarishlari qirralarni aniqlashga yordam beradi va rasmlarni bir nechta guruhlarga ajratish mumkin. Bir yo'nalishli tarqalish CNN bir yoki bir nechta konvolyutsion qatlamlarni o'z ichiga olgan holda sodir bo'ladi, shundan so'ng birlashma va ikki tomonlama tarqalish konvolyutsiya qatlamining chiqishi tasvirni tasniflash uchun to'liq ulangan neyron tarmoqqa yuborilganda sodir bo'ladi. Tasvirning ayrim elementlarini ajratib olish uchun filtrlardan foydalaniladi. MLP da kirishlar o'lchanadi va faollashtirish funktsiyasiga kiritiladi. RELU konvolyutsiyada ishlatiladi, MLP esa chiziqli bo'lmagan faollashtirish funktsiyasidan so'ng softmaxdan foydalanadi. Rasm va videoni aniqlash, semantik tahlil qilish va parafrazni aniqlashda konvolyutsion neyron tarmoqlar ajoyib natijalar beradi. 5. Radial Bias Tarmog'i Kirish vektoridan keyin RBF neyronlari qatlami va Radial Basis Function Networkdagi har bir toifa uchun bitta tugunli chiqish qatlami keladi. Kirish har bir neyron prototipini saqlaydigan o'quv majmuasidagi ma'lumotlar nuqtalari bilan taqqoslash yo'li bilan tasniflanadi. Bu o'quv majmuasining misollaridan biridir. Har bir neyron yangi kirish vektori [siz turkumlashtirmoqchi bo'lgan n o'lchovli vektor] tasniflanishi kerak bo'lganda, kirish va uning prototipi o'rtasidagi Evklid masofasini hisoblab chiqadi. Agar bizda ikkita sinf mavjud bo'lsa, A sinfi va B sinfi, toifaga kiritiladigan yangi kirish B sinf prototiplariga qaraganda A sinf prototiplariga ko'proq o'xshaydi. Natijada, u A sinfi sifatida etiketlanishi yoki tasniflanishi mumkin. 6. Takrorlanuvchi Neyron Tarmoq Takroriy neyron tarmoqlari qatlamning chiqishini saqlash va keyin qatlam natijalarini prognoz qilish uchun uni kirishga qaytarish uchun mo'ljallangan. Oldinga uzatish neyron tarmoq odatda boshlang'ich qatlam bo'lib, undan keyin takrorlanuvchi neyron tarmoq qatlami bo'lib, bu erda xotira funktsiyasi oldingi vaqt bosqichida mavjud bo'lgan ma'lumotlarning bir qismini eslab qoladi. Ushbu stsenariy oldinga tarqalishdan foydalanadi. Bu kelajakda kerak bo'ladigan ma'lumotlarni saqlaydi. Agar bashorat noto'g'ri bo'lsa, o'rganish tezligi kichik tuzatishlar kiritish uchun ishlatiladi. Natijada, orqaga tarqalish davom etar ekan, u tobora aniqroq bo'ladi. Ilovalar Neyron tarmoqlar turli fanlar bo'yicha ma'lumotlar muammolarini hal qilish uchun ishlatiladi; ba'zi misollar quyida ko'rsatilgan. 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. 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. 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. 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. 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. 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. Afzalliklari Neyron tarmog'idagi bir nechta neyronlar to'g'ri ishlamasa ham, neyron tarmoqlar baribir chiqishlarni ishlab chiqaradi. Neyron tarmoqlar real vaqt rejimida o'rganish va o'zgaruvchan sozlamalarga moslashish qobiliyatiga ega. Neyron tarmoqlar turli vazifalarni bajarishni o'rganishi mumkin. Taqdim etilgan ma'lumotlarga asoslanib, to'g'ri natijani ta'minlash. Neyron tarmoqlar bir vaqtning o'zida bir nechta vazifalarni bajarish uchun kuch va qobiliyatga ega. Kamchiliklari Neyron tarmoqlar muammolarni hal qilish uchun ishlatiladi. Tarmoqlarning murakkabligi tufayli o'z qarorlarini "nima uchun va qanday qilib" qilganligi haqidagi tushuntirishni oshkor etmaydi. Natijada, tarmoq ishonchini yo'qotishi mumkin. Neyron tarmog'ining tarkibiy qismlari bir-biriga bog'liqdir. Ya'ni, neyron tarmoqlar etarli hisoblash kuchiga ega bo'lgan kompyuterlarni talab qiladi (yoki ularga juda ishonadi). Neyron tarmoq jarayonining o'ziga xos qoidasi (yoki asosiy qoidasi) yo'q. Sinov va xato usulida tarmoqning to'g'ri tuzilishi optimal tarmoqqa urinish orqali o'rnatiladi. Bu juda nozik sozlashni talab qiladigan protsedura. Xulosa Sohasi neyron tarmoqlari tez kengaymoqda. Ular bilan shug'ullanish uchun ushbu sektordagi tushunchalarni o'rganish va tushunish juda muhimdir. Ushbu maqolada neyron tarmoqlarning ko'p turlari yoritilgan. Agar siz ushbu fan haqida ko'proq bilsangiz, boshqa sohalardagi ma'lumotlar muammolarini hal qilish uchun neyron tarmoqlardan foydalanishingiz mumkin. Ulashish: Download 494.32 Kb. Do'stlaringiz bilan baham: 
|