Грати з нейронами машини; двійковий
"Штучний інтелект - це наука змушувати машини робити те, що вимагало б інтелекту, якби їх створили люди". Все говорить засновник штучного інтелекту Марвін Мінський. Попрощайтеся з такими фантазіями, як «покоївка-робот, яка подає каву [в ліжку] вранці». І як зазначає Седрік Віллані під час запуску своєї місії з роздумів над цими предметами, наша найкраща зброя - це "висока якість навчання" з цього питання, що є "справою [всіх]". Є. Як щодо того, щоб ми почали прямо зараз? Як би ви хотіли підняти капот штучного інтелекту? Тьєррі В'євіль.
Нейронна мережа - це загальний механізм, що складається з невеликих одиниць (псевдонейронів), з’єднаних між собою. Кожна одиниця робить дуже просту операцію: приймає значення як вхідні, комбінує їх дуже просто (простий розрахунок середнього з коефіцієнтами, такими як оцінки bac) і застосовує перетворення до результату (наприклад, зберігає лише позитивне значення). Коефіцієнти, що використовуються для зважування середнього значення, є параметрами цього алгоритму. Саме поєднання дуже, дуже великої кількості цих підрозділів дозволяє проводити дуже складні операції. Мережа таких «нейронів» виходить шляхом накопичення декількох шарів таких одиниць. Вхідні дані містять дані, які ми хочемо обробити. Вони трансформуються через усі шари, і останній шар видає прогноз на ці дані, наприклад, виявляє, чи є на зображенні грань. Таким чином, нейронна мережа становить функцію, параметризовану цими багатьма коефіцієнтами (ми говоримо про "вагу"), і саме вибір цих ваг визначає обробку, що проводиться.
Кожен "нейрон" змішує входи X пропорційно своїм вагам W і виправляє результат, щоб отримати вихід y. Саме поєднання міріад таких елементарних обчислень породжує складну систему. З проміжків.
За допомогою веб-інтерфейсу TensorFlow ви можете легко побудувати мережу з десятка нейронів, кожен з яких має від 3 до 10 параметрів. Отже, розрахований результат залежить від ста параметрів на додаток до двох координат (x, y) точки входу. На інтерфейсі кожен квадрат представляє нейрон, а колір пікселя з координатами (x, y) у квадраті представляє вихід нейрона, коли ми ставимо (x, y) як вхід до мережі. На виході є один нейрон, він представлений більшим квадратом праворуч від мережі. Параметри мережі спочатку ініціалізуються випадковими значеннями.
На практиці нам вдається знайти задовільні параметри, але немає реальної теоретичної бази, щоб це все формалізувати, це питання досвіду: вибір правильної кількості нейронів, потрібної кількості шарів нейронів, які попередні розрахунки додати як вхід (наприклад, помножте входи, щоб збільшити ступінь свободи, що дозволяє проводити обчислення). Цей тип техніки дозволяє на практиці отримати вражаючі результати, такі як розпізнавання голосу або предметів на зображенні (див. Відео курсів Яна Ле Куна в Коледжі Франції). Однак розуміння того, чому (і як) ми отримуємо такі хороші результати, є досі досить відкритим науковим питанням. Тим часом ви хочете спробувати реальний додаток на реальних даних? Це таким чином https://www.clarifai.com/demo (просто пограйте з опціями).
Це до вас, щоб протестувати свою нейронну кухню! Чи зможете ви нанести правильні кольори на спіральний набір даних? ?