Apakah rangkaian saraf dan konvolusi, dan bagaimana ia berfungsi?

Dalam bidang pengkomputeran moden, istilah "rangkaian neural" telah menarik perhatian ramai sejak beberapa tahun kebelakangan ini. Jika anda berminat untuk memahami apa itu rangkaian saraf dan cara ia berfungsi, ini adalah tempat yang sesuai untuk mula mengembangkan pengetahuan anda.

Apakah itu rangkaian saraf?

Pada asasnya, rangkaian saraf ialah sistem komputer yang direka bentuk untuk meniru otak manusia. Keupayaan mereka untuk belajar, memahami dan mentafsir corak yang kompleks menjadikan mereka aspek utama kecerdasan buatan (AI) dan pembelajaran mesin (ML).

Rangkaian ini, seperti rangkaian saraf dalam otak kita, terdiri daripada banyak elemen pemprosesan atau "nod" yang saling berkaitan. Reka letak ini memudahkan pengecaman corak, membantu sistem AI meningkatkan operasinya dari semasa ke semasa. Rangkaian saraf biasa terdiri daripada beberapa komponen teras:

1. Lapisan Input: Lapisan input ialah titik hubungan pertama dengan data yang dimasukkan ke dalam rangkaian. Ia menyampaikan maklumat mentah untuk pemprosesan selanjutnya.
2. Lapisan tersembunyi: Selepas lapisan input, data masuk ke dalam lapisan tersembunyi. Lapisan ini tidak dapat dilihat oleh pemeriksaan luaran dan merupakan kunci kepada pemprosesan.
3. Lapisan output: Maklumat yang diproses akhirnya mencapai lapisan output, yang memberikan hasil akhir atau ramalan.

Setiap lapisan terdiri daripada banyak nod atau "neuron", disambungkan dengan "sambungan". Setiap sambungan mempunyai berat yang menunjukkan kepentingannya dalam tugas pemprosesan maklumat.

Untuk apa rangkaian saraf digunakan?

Dengan keupayaan luar biasa mereka untuk belajar daripada data dan meramalkan hasil, rangkaian saraf telah menjadi asas kepada banyak teknologi kontemporari. Keupayaan fleksibiliti dan pengecaman corak mereka membuka jalan untuk aplikasi mereka dalam pelbagai bidang.

Salah satu aplikasi rangkaian saraf yang paling menonjol ialah penglihatan mesin, terutamanya pengecaman imej. Dengan rangkaian neural convolutional (CNN), sistem boleh dilatih untuk mengecam dan mengklasifikasikan imej, seperti mengenal pasti wajah dalam foto atau mengenal pasti objek dalam pemandangan. Teknologi ini memperkasakan pelbagai aplikasi, daripada penandaan foto automatik pada media sosial kepada diagnosis penyakit dalam pengimejan perubatan.

Rangkaian saraf juga memainkan peranan penting dalam pemprosesan bahasa semula jadi (NLP), membolehkan mesin memahami dan menjana bahasa manusia. Sama ada pembantu maya yang memahami arahan suara, bot sembang yang bertindak balas kepada pertanyaan pelanggan atau perisian yang menterjemah teks daripada satu bahasa ke bahasa lain, semua kemajuan ini didayakan oleh rangkaian saraf.

Bagaimana anda melatih rangkaian saraf?

Melatih rangkaian saraf pada asasnya bermakna mengajarnya untuk membuat ramalan yang tepat. Ini melibatkan memberinya data, membiarkannya membuat ramalan, dan kemudian melaraskan parameter rangkaian untuk memperbaik ramalan tersebut.

Matlamatnya adalah untuk meminimumkan perbezaan antara ramalan rangkaian dan output sebenar, istilah yang dipanggil "kehilangan" atau "ralat". Lebih kecil perbezaan ini, lebih baik prestasi rangkaian saraf.

Langkah 1: Mulakan pemberat dan berat sebelah

Rangkaian saraf terdiri daripada neuron yang saling berkaitan dengan pemberat, masing-masing dengan berat sebelah. Berat dan berat sebelah ini adalah parameter yang dipelajari oleh rangkaian semasa latihan. Pada mulanya, ia ditetapkan kepada nilai rawak.

Langkah 2: Feedforward

Sediakan data input kepada rangkaian. Data ini bergerak melalui rangkaian dari lapisan input ke lapisan output dalam proses yang dipanggil "feedforward." Setiap neuron menggunakan jumlah wajaran input dan bias, diikuti dengan fungsi pengaktifan, sebelum menghantar hasilnya ke lapisan seterusnya.

Langkah 3: Kira kerugian

Selepas proses suapan hadapan, rangkaian menghasilkan output. Kira kerugian, iaitu perbezaan antara output ini dan nilai sebenar. Kerugian ini dikira menggunakan fungsi kerugian yang bergantung pada jenis masalah yang anda cuba selesaikan (cth., regresi, klasifikasi).

Langkah 4: Rambatan Belakang

Rambatan belakang ialah tempat keajaiban berlaku. Proses ini melibatkan pelarasan berat dan berat sebelah untuk meminimumkan kerugian. Bermula dari lapisan keluaran, ralat disebarkan kembali ke lapisan sebelumnya. Kira kecerunan fungsi kehilangan berkenaan dengan setiap parameter (berat dan berat sebelah), yang menunjukkan berapa banyak perubahan dalam parameter itu akan mempengaruhi kerugian.

Langkah 5: Kemas kini berat dan berat sebelah

Kemudian, wajaran dan berat sebelah dikemas kini dalam arah yang bertentangan dengan kecerunan yang dikira. Ini dilakukan menggunakan algoritma pengoptimuman, paling biasa keturunan kecerunan. Saiz langkah yang dilakukan dalam kemas kini ditentukan oleh "kadar pembelajaran" (hiperparameter yang anda tetapkan).

Langkah 6: Ulangi proses

Ulang langkah 2-5 untuk bilangan lelaran tertentu, atau sehingga kerugian berada di bawah ambang yang dikehendaki. Bilangan kali keseluruhan set data digunakan untuk mengemas kini pemberat dipanggil "zaman." Latihan biasanya melibatkan beberapa tempoh.

Apakah itu rangkaian saraf konvolusi?

Convolutional Neural Network (CNN) ialah model rangkaian saraf khusus yang direka untuk memproses data seperti grid, seperti imej. Rangkaian ini adalah variasi model perceptron berbilang lapisan tradisional (MLP) dan secara asasnya diilhamkan oleh proses biologi dalam otak manusia.

Biological Visual Cortex

CNN diilhamkan oleh organisasi dan fungsi korteks visual dalam otak manusia. Korteks visual mempunyai kawasan kecil sel yang sensitif kepada kawasan tertentu medan visual. Konsep ini dicerminkan dalam CNN dengan menggunakan penapis yang berbelit dalam data input.

Lapisan konvolusi

Komponen teras CNN ialah lapisan konvolusi, yang secara automatik dan menyesuaikan diri mempelajari hierarki spatial ciri. Dalam lapisan konvolusi, beberapa penapis dialihkan ke atas imej dan melakukan operasi lilitan, dalam kes ini produk titik, antara penapis dan pemberat imej input. Hasil daripada operasi ini membentuk peta ciri atau ciri konvolusi.

Lapisan Penggabungan

Lapisan penggabungan biasanya ditambah selepas lapisan konvolusi untuk mengurangkan saiz spatial, yang membantu mengurangkan kiraan parameter dan kerumitan pengiraan. Selain itu, ia membantu rangkaian menjadi lebih invarian kepada skala dan orientasi imej, dengan itu mengekstrak ciri yang lebih berkuasa.

Buat ramalan

Di penghujung rangkaian, lapisan bersambung sepenuhnya digunakan, serupa dengan model MLP. Lapisan ini mengambil imej ditapis lanjutan dan mengubahnya menjadi kelas keluaran akhir atau ramalan.

CNN telah memainkan peranan penting dalam bidang pengecaman imej. Ia biasanya digunakan dalam aplikasi berikut:

1. Pengecaman Imej dan Video: CNN boleh digunakan untuk mengenal objek, orang dan juga emosi dalam imej dan video.
2. Analisis Imej Perubatan: Dalam bidang perubatan, CNN digunakan untuk menganalisis imej dan membantu mendiagnosis penyakit.
3. Kereta pandu sendiri: CNN digunakan dalam kereta pandu sendiri untuk mengesan objek dan tanda di jalan raya, membantu kenderaan memahami persekitaran sekelilingnya dan membuat keputusan.
4. Sistem Pengecaman Muka: CNN digunakan secara meluas dalam sistem keselamatan pengecaman muka.

Artikel Berkaitan

• 

  Adakah Apple akan mengubah teknologi di sebalik A17 untuk menjimatkan kos?

  IPhone 15 Pro dan iPhone 15 Pro Max tahun ini akan menggunakan pemproses A17 Bionic, tetapi dikhabarkan ia akan berbeza daripada versi pemproses yang sama yang dihasilkan tahun depan. Adakah A17 akan berbeza tahun hadapan? A17 Bionic dijangka menjadi pemproses pertama Apple yang dihasilkan menggunakan proses 3nm, berbanding dengan...

• 

  Cara merakam keadaan fikiran anda pada apl Kesihatan pada iPhone dengan iOS 17

  Apakah Mindset pada iOS 17 ? iOS 17 membawakan pelbagai ciri baharu kepada apl Kesihatan pada iPhone, memfokuskan pada kesihatan mental dan cara ia mempengaruhi perasaan dan tingkah laku kita. Untuk membantu pengguna mengenal pasti perasaan mereka dan mengurangkan perasaan sedih dan marah, apl Kesihatan kini membenarkan...

• 

  Apakah Halaman Mendengar pada iPhone dalam iOS 17?

  Apakah Halaman Mendengar pada iOS 17? iOS 17 mempunyai ciri baharu yang dipanggil Listening Pages, tersedia dalam apl Safari pada iPhone. Seperti namanya, ciri ini membolehkan anda mendengar kandungan teks halaman web dalam bentuk audio, membolehkan anda mengumpul maklumat dengan mudah dari halaman tersebut tanpa perlu membacanya sendiri...

• 

  Cara Mengecilkan Imej dalam Perjalanan

  Apakah itu Zum keluar di tengah jalan? Sebagai sebahagian daripada peningkatan kepada versi 5.2, Midjourney kini menawarkan keupayaan untuk mengecilkan imej yang anda cipta menggunakan AI Art Generator. Ciri Zum Keluar mengembangkan kanvas melebihi garis besarnya yang sedia ada tanpa mengubah kandungan imej yang asalnya dibuat dengan Midjourney. ...

Atas ialah kandungan terperinci Apakah rangkaian saraf dan konvolusi, dan bagaimana ia berfungsi?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!