Derinlik Bilimi: Sinir Ağlarının Türleri ve İşlevleri
Tam metin 3046 Kelimeler, tahmini öğrenme süresi 9 dakika
Kaynak: Baijiahao
Makine öğrenimi, insanların her gün kullandığı bazı mükemmel yazılımlar oluşturmak için sinir ağlarını birleştiren bir yapay zeka dalıdır.
İlgili bilgileri bulmak için Baidu'yu kullanırsanız, Baidu'nun en alakalı web sayfalarını verilen anahtar kelimelere göre sıralayan sinir ağını kullanırsınız. Kısa bir süre önce bir şey satın almak için Taobao'nun resmi web sitesini ziyaret ettiyseniz, web sitesi tarafından önerilen tüm ürünler sinir ağı tarafından yönetilir.
Şimdi bile, bir cep telefonu kullanırken, hayatı kolaylaştıran bir sinir ağıyla karşılaşabilirsiniz. Sinir ağları her yerde bulunur ve çeşitli görevleri farklı şekillerde yerine getirir.
Öyleyse ... "sinir ağı" nedir?
Resim kaynağı: wemedia.ifeng.com
"Sinirler" beynin başka bir ifadesidir.
"Yani bu bir beyin ağı mı?"
Özünde, kesinlikle! Sinir ağı, insanlar için en güçlü araçtır - beynin basitleştirilmesi. Kullandığı nöronların tümü ağırlıklarla birbirine bağlıdır (aşağıdaki şekildeki çizgiler). Nöronlara bazı sayısal girdiler verilir ve bunlar daha sonra ağırlıklarla çarpılır. Ağırlık, sinir ağının özüdür.Ağırlığı belirli bir değere dönüştürerek, herhangi bir girişi işleyebilir ve istediğiniz çıktıyı elde edebilirsiniz.
Sinir ağı, verileri işlemenin yalnızca bir yoludur. Ve burada verilerin kendisi kritiktir. Verileri işlemek için çeşitli sinir ağlarını kullanarak ... bazı sihirli şeyleri başarmak için güçlü araçlar oluşturabilirsiniz!
Bunların arasında büyülü özelliklere sahip birçok sinir ağı var: Aşağıdaki Xiaoxin en ünlülerinden bazılarını tanıtacak:
1. Perceptron - en eski ve en basit sinir ağı
Algılayıcı en eski sinir ağıdır ve icadı 1958'e kadar izlenebilir. Aynı zamanda en basit sinir ağıdır. Frank Rosenblatt tarafından icat edilen algılayıcı, sinir ağlarının temel ilkelerinin temelini attı.
Bu sinir ağının sadece bir nöronu var, bu yüzden çok basit. N girdi miktarı alabilir ve bunları karşılık gelen ağırlıklarla çarpabilir. Algılayıcı yalnızca bir çıktıyı hesaplar, çünkü yalnızca tek bir karmaşıklık düzeyindeki verileri işleyebilir ve karmaşıklık düşüktür, bu nedenle gelişimi sınırlıdır.
Misal:
· İnsan beynini anlayın
· Üst düzey sinir ağları için uzantı
2. Çok katmanlı algılayıcı-katman nedir?
Çok katmanlı algılayıcı (MLP), doğası gereği hala bir algılayıcıdır, ancak karmaşıklık katman tasarımı ile artırılır. MLP'de üç tür katman vardır:
Giriş katmanı:
Adından da anlaşılacağı gibi, giriş katmanı, sinir ağına veri girişini ifade eder. Giriş verileri sayısal olmalıdır. Yani sayısal olmayan içeriğin sayısal değerlere dönüştürülmesi gerekir. Veriyi sinir ağına girmeden önce işleme sürecine veri işleme adı verilir.Normalde, veri işleme süreci makine öğrenimi modelleri yapmanın en çok zaman alan kısmıdır.
Gizli katman:
Gizli katman, sinir ağındaki nöronların çoğundan oluşur ve istenen çıktıyı elde etmek için verilerin işlenmesinin temel parçasıdır. Veriler gizli katmandan geçecek ve birçok ağırlık ve önyargı ile ayarlanacaktır. Giriş ve çıkış katmanlarından farklı olduğu ve sinir ağlarının geliştiricileri bu katmanları doğrudan kullanmadığı için "gizli" katman olarak adlandırılır.
Çıktı katmanı:
Çıktı katmanı, sinir ağındaki verilerin işlenmesinin son ürünüdür ve farklı şeyleri temsil edebilir. Normalde çıktı katmanı nöronlardan oluşur, her nöron bir nesneyi temsil eder ve ek değer, nesnenin belirli bir nesne olma olasılığını belirtir. Diğer durumlarda, çıktı katmanı bir nöronun çıktısı olabilir ve belirli girdiler verildiğinde bu belirli bir değerdir.
Temel fikir şudur: çıktı katmanı, sinir ağının veri iletmesinin sonucudur ve aynı zamanda insanların ulaşmaya çalıştıkları hedeftir.
İleri beslemeli sinir ağı
Prensip, sayısal verileri sinir ağına aktarmak ve ardından çok sayıda hesaplama yapmaya devam etmektir. Verilerin geri bildirim olmadan aktarılmaya devam etmesine izin verin. Verilen herhangi bir girdinin her zaman istenen çıktıyı üretmesi için doğru şekilde çalışması için eğitim gereklidir. Eğitim, esasen en iyi sonuçları veren yöntemi bulmak ve bunu sinir ağına uygulamaktır.
Misal:
- Bilgisayar görüşü
- Doğal dil işleme
- Diğer sinir ağlarının temeli
3. Evrişimli sinir ağı-evrişimli katman?
Evrişimli sinir ağları hala çok katmanlı algılayıcılarla (MLP) aynı ilkeleri kullanıyor, ancak evrişimli katmanlar kullandığını belirtmek gerekir Evrişimli sinir ağları genellikle görüntülere ve videolara uygulanır.
Görüntünün yalnızca bir sayılar ızgarası olduğunu ve her sayının belirli bir pikselin yoğunluğunu temsil ettiğini anlamak önemlidir. Görüntünün dijital bir ızgara olduğunu bilerek, bu sayıları değiştirerek görüntünün desenini ve özelliklerini bulabilirsiniz. Evrişimli katman bunu filtreler kullanarak gerçekleştirir.
filtre
Filtre, orijinal görüntü ile birçok kez çarpılan N x M (N ve / M ızgara boyutunu temsil eder) olarak tanımlanan dijital bir matristir. Gerçek durumu anlamak için lütfen animasyona bakın.
Filtre, ızgara üzerinde hareket eder ve yeni değerler üretir. Bu değerler, görüntüdeki kenarları veya çizgileri temsil edebilir. Örneğin, aşağıdaki filtreyi kullanın:
Yatay filtre, dikey merkezin dışındaki değerleri ortadan kaldırmaya çalışacaktır. Negatif değerler kullanarak kenarları kaldırır ve 0 pikselleri nötr yapmak için merkezi kaldırır. Filtreleme başarılı olursa, yeni değerden yatay bir çizgi göreceksiniz. Aynısı, tam tersi olan dikey filtreler için de geçerlidir.
Filtreyi görüntünün tamamına uyguladıktan sonra havuz katmanı, filtrenin tanımladığı ana özellikleri kolayca çıkarmak için kullanılabilir. Modeli eğitirken, filtrenin içermesi gereken sayıyı belirleyin. Görev için en iyi sonucu elde etmek için en iyi değeri bulun.
Havuz tabakası
Adından da anlaşılacağı gibi, havuzlama katmanının rolü, filtre tarafından tanımlanan en önemli özellikleri bir araya toplamaktır.Bu, birden çok yöntem kullanılarak yapılır.
Popüler bir yöntem "Max Pooling" dir. Bu yöntemde, görüntünün filtrelenmiş her parçası için en büyük sayı alınır ve yeni bir matriste kaydedilir. Temel işlevi, en önemli özellikleri belirlemek ve bunları çok katmanlı algılayıcı model (MLP) olarak işlenebilmeleri için bir görüntüye sıkıştırmaktır. Bu sürece veri örnekleme de denir ve bu işlemi kullanmak tatmin edici sonuçlar verecektir.
Misal
Görüntü sınıflandırması
· Bilgisayar görüşü
· Görüntü özelliklerini / desenlerini bulun
Kaynak: www.crazyiter.com
4. Tekrarlayan sinir ağı zamansal verileri?
Sinir ağları tarafından analiz edilen veriler tamamen statik verilerle sınırlı değildir. Görüntüler, sayılar ve çerçeveler gibi, analiz edilebilecek tüm verilerdir. Bununla birlikte, geleceği tahmin etmek için verilerin geçmiş örneklerine güvenmek, zamansal verilere bir örnektir. Hisse senedi piyasası verileri, zaman serisi verileri, beyin dalgası verileri vb. Veriler her zaman bağımlı değişkenin geçmiş örnekleri kullanılarak analiz edilir.
Şimdiye kadar, bahsedilen sinir ağlarının türleri diğer eyaletlerdeki verileri işleyemez ve bundan sonra bahsedeceğimiz tekrarlayan sinir ağı (RNN) çözümdür.
Durum matrisi
Tekrarlayan sinir ağı (RNN), son çıktıyı kendi belleğinde saklayarak verilerin önceki durumunu ezberler. Bunlara durum matrisleri denir. Tekrarlayan bir sinir ağının çalışma prensibi, çok katmanlı bir algılayıcıdaki (MLP) sıradan katmana benzer, ancak yeni bir çıktıyı hesaplamak için bir durum matrisi kullanır. Önceki çıktı ve veri durumunun kullanılması, esas olarak, borsa tahmini ve zaman serisi tahmini gibi uygulamalar için gerekli olan nihai çıktı verilerini dikkate alır.
Uzun kısa süreli hafıza ağı
Uzun-kısa süreli bellek ağı (LSTM), durum matrisini iki durum - uzun vadeli durumda ve kısa vadeli durumda depolama fikrini daha da genişletir. Durum model çıktısında devam ederse, uzun vadeli durum matrisi olarak kaydedilecek ve yeni veriler düşünüldüğünde daha fazla ağırlık alacaktır.
Sürekli veri arama modunun uygulanması için, LSTM sistemi çok verimlidir ve borsa endeksi tahmin yöntemlerinin ön saflarında yer alır.
Misal
- Doğal dil işleme
- Borsa tahmini
- Zaman serilerine göre veri tahmini
5. Sıkıştırılmış biçimde otomatik kodlayıcı mevcut veriler
Çoğu sinir ağı veri alır ve belirli türden kararlar verir. Otomatik kodlayıcıların farklı bir görevi vardır; bu, kaliteyi kaybetmeden verileri sıkıştırmanın bir yolunu bulmaktır.
Geleneksel makine öğreniminde, verilere eklenen etiketler sinir ağının çıktı hedefleriyle aynı değildir. Bir otomatik kodlayıcıda etiket, girişe eşdeğerdir.
Bu nedenle, otomatik kodlayıcı mimarisinde giriş ve çıkış katmanları aynıdır. Gizli katman, giriş ve çıkış katmanlarından daha küçüktür (düğümler açısından) ve "darboğaz" olarak adlandırılır. Darboğaz küçük olduğundan, orijinal verileri sıkıştırmanın ve çıktı katmanına geri koymanın bir yolunu bulmaya zorlanır. Bu sıkıştırma yöntemi genellikle geleneksel yöntemden daha iyidir çünkü yine de verilerin yüksek kalitesini koruyabilir.
Misal:
· Esas olarak daha küçük bir sıkıştırma modunda büyük miktarda veri sunmak için kullanılır.
Kaynak: Unsplash
Şimdi, sinir ağları hakkında çok şey öğrendiniz mi?
Her zaman kağıt üzerinde sığdır ve kesinlikle nasıl yapılacağını biliyorum.
Şimdi harekete geçin ve bu sinir ağlarını şimdi kendi konu pratiğinizde uygulayın ~
Yorum Beğen Takip Et
Yapay zeka öğrenme ve geliştirmenin kuru mallarını paylaşalım
Yeniden yazdırıyorsanız, lütfen arka planda bir mesaj bırakın ve yeniden yazdırma şartnamelerine uyun
