Jay Shah d'origine

Racine compilée à partir de Jay Shah envoyer quelques du blog

Qubit produit | Numéro public QbitAI

Récemment, le mot spécial réseau de neurones de feu pour attirer beaucoup d'attention. Cependant, le réseau de neurones est quoi? Dim?

Cet article et tout le monde passe, ce qui est des réseaux de neurones, pour commencer, quels sont les principaux défis, ainsi que d'introduire plusieurs types classiques de réseaux de neurones, les applications et les industries connexes.

Le réseau de neurones

Fondamentalement, le réseau de neurones est relié par une autre unité de couche par couche. Nous calculons unités appelées neurones, ces réseaux peuvent gérer des données classifiées, ce que nous voulons sortie.

Chaque neurone multipliant la première valeur d'entrée d'un certain poids, et l'autre entrée couplée à la valeur dans le neurone (en combinaison avec une autre valeur de l'information), et calcule finalement une somme, puis après les neurones d'ajustement de décalage, et enfin la valeur de sortie normalisée de la fonction d'excitation.

processus d'apprentissage itératives

réseau de neurones a une caractéristique essentielle que le processus d'apprentissage est itératif. Autrement dit, au cours du processus d'apprentissage continuera à répéter le traitement des données, et afin de prédire avec précision la classification des valeurs d'entrée, et d'ajuster toutes les données d'entrée de temps liées au poids.

Avantage des réseaux de neurones réside dans leur grande tolérance pour les données en désordre, mais a aussi une forte capacité à classer, même les données non formés peuvent être distingués.

Le plus algorithme de réseau de neurones populaire, est l'algorithme de rétro-propagation.

Afin de résoudre un problème spécifique, le réseau de neurones pour obtenir une formation adéquate. Au début de la formation lorsque les poids initiaux sont donnés au hasard.

Squares fonction objective et si on ne souhaite pas la valeur de sortie de couche de sortie, puis prendre la rétropropagation d'erreur de sortie souhaitée transféré dans des couches pour obtenir les dérivées partielles de la fonction objective des poids respectifs de l'élément neuronal, constituant la cible ladder vecteurs montant sur la droite pour fonction en tant que base pour modifier les poids du réseau, de l'apprentissage réalisé dans le processus de modification de poids. Lorsque l'erreur atteint la valeur souhaitée, l'extrémité de réseau de l'étude.

Et les poids du réseau de neurones en fonction de la couche cachée, un procédé pour la formation définir un ensemble de données, et La valeur de la production et les résultats réels de comparaison. Ensuite, le dos d'erreur pour l'ensemble du système de réseau pour le problème à résoudre pour régler les poids. Entrez ensuite la prochaine série de données, vous voyez qu'il n'y a pas d'écart devient plus petit.

Ce processus est répété pour ajuster en permanence les poids. Ainsi, dans le processus de formation, le même ensemble de données seront traitées plusieurs fois, jusqu'à ce que le poids lourd de chaque couche sont finement réglé trop.

Ce processus est la difficulté?

Pour le réseau d'entrées, l'un des défis est de comprendre ce qui est l'utilisation de chaque couche. Nous savons qu'après la formation, chaque couche sera extrait à haute ou pour caractéristiques d'ordre supérieur des valeurs d'entrée, quelle décision jusqu'à ce que la dernière couche de la fonction d'entrée signifiait. Voilà comment ce processus se fait?

Les réseaux de neurones et ses caractéristiques d'amplification finale désignés, pourraient aussi bien vous faire sortir du réseau de neurones.

Etant donné que le traitement de chaque couche du réseau de neurones, les caractéristiques abstraites de différentes dimensions. Alors renforcer ce niveau, mettra en vedette la valeur finale de la complexité des différents effets. Et nous avons choisi une des couches, le réseau de neurones peut voir ce que les caractéristiques finales améliorées.

type populaire de réseau de neurones et son application

Ensuite, nous allons examiner le système de mesure automatique, les réseaux de neurones et convolutifs réseaux de neurones récurrents.

encodeur automatique

Sur la base de l'expérience passée, le résultat de l'initialisation aléatoire est pas bon. Ainsi, afin d'obtenir un meilleur poids initial, on peut considérer l'utilisation d'algorithmes d'apprentissage non supervisé de pré-formation de chaque couche.

Des exemples similaires, se réfèrent à des réseaux profonds de croyance sont la formation de l'algorithme non supervisé. Récemment, de nouvelles recherches pour tenter de trouver une percée dans ce domaine, par exemple, l'utilisation de la probabilité autoencoder méthodes variationnelles.

Mais en fait, ils sont rarement utilisés. Récemment, pour les réseaux de neurones plus profonds, il a été possible de normaliser lots. En étudiant les résidus, nous pouvons commencer la formation à partir de zéro en profondeur le réseau de neurones. Lorsque les dimensions appropriées et les contraintes de parcimonie, l'encodeur peut apprendre automatiquement, plus intéressant que les données de projection PCA ou d'autres techniques de base.

Le regard de déposons sur deux applications pratiques intéressant codeur automatique:

images médicales bruit

Par couche convolution, autoencoder réduction du bruit efficace.

 encodeur automatique de réduction du bruit est configuré pour ignorer une certaine entrée

Dans le processus de bruit aléatoire, le nombre aléatoire par les données d'entrée est fixé à zéro, de sorte que la valeur du codeur de bruit automatique qui manque (corrompu) propre jugement, de manière à prédire un sous-ensemble qui sont en mode perdu.

Visualisation de données

Analyse en Composantes Principales (l'APC), la distribution de t et enrobage (t-END) adjacent analogue aléatoire, la réduction de la dimension peut être réalisée. Lors de la formation du réseau de neurones, combiné avec les méthodes ci-dessus peut améliorer la précision de la prédiction du modèle. En outre, la précision de la prédiction de réseau neuronal à couches multiples est largement dépendante de réseau de neurones, le prétraitement des données et le type de problème à résoudre par le réseau de neurones.

Convolution réseau de neurones

Circonvolution réseau de neurones, le nom est dérivé de l'opérateur « de convolution ». Son objectif principal, que les extraits de l'image caractéristiques d'entrée. Et l'extraction de caractéristiques, on apprend à l'aide des données d'entrée dans la zone 3 × 3. De cette façon, le réseau de convolution sur les relations spatiales entre les pixels peut être retenu.

Circonvolution réseau de neurones a réussi dans les domaines suivants:

reconnaissance des visages

Concaténé réseau de neurones convolutionnel, reconnaître rapidement et efficacement les visages. détecteur de basse résolution pour évaluer l'image d'entrée, la région exclut rapidement non-face, puis à une résolution plus élevée, une manipulation minutieuse région plus de détection complexe et précis.

Afin d'accélérer et d'améliorer la détection de la qualité de l'image, également mis en place le réseau d'étalonnage en cascade.

pilote automatique

Analyse d'image et de reconnaissance d'objets sur le réseau de neurones convolutif traditionnel.

Dans le projet pilote automatique, la capacité d'estimer la profondeur de l'espace est particulièrement important. Sans elle, nous ne pouvons pas assurer la sécurité des passagers et d'autres véhicules. NVIDIA véhicules autonomes et d'autres éléments, ont utilisé la CNN.

CNN très flexible et peut traiter les paramètres d'entrée au moyen d'un multicouche, qui comprend en outre un réseau de croyance de profondeur (DBN).

De plus, il y a une utilisation amusante, vous pouvez être dans le simulateur de jeu, avec CNN pour conduire et prédire l'angle de braquage.

Réseaux de neurones récurrents

réseau de neurones peut générer une séquence de cycles. Après chaque séquence de traitement d'un ensemble unique de données réelles, prédire ce qui se passera ensuite. C'est ainsi que cette étape de modèle à pas jusqu'à prendre?

Hypothèse, la distribution de probabilité de présence prédite est le résultat, puis à plusieurs reprises peut prendre différentes valeurs d'entrée, pour générer une nouvelle séquence. valeur d'entrée de source peut être la valeur de sortie du réseau a été formé, plus dispersés aller mieux. En d'autres termes, que le réseau de neurones pour générer leurs propres résultats, la valeur des données réelles générées, utilisé comme entrée, comme un homme dans un rêve. Ces scènes de rêve irréel qui n'existe pas, peut aussi devenir une partie de notre perception des souvenirs.

prévision

Après l'apprentissage du réseau neuronal, étant donné une valeur d'entrée, la valeur de sortie peut être obtenue à l'intérieur de l'attendu.

Si nous avons un réseau de neurones qui peut parfaitement adapter un ensemble de valeurs connues, le réseau peut prédire les valeurs futures.

Maintenant, le modèle prédit le stock avec la plupart 6.

Différents domaines d'applications de réseaux de neurones

Dans un véritable environnement d'affaires, les réseaux de neurones ont une application très large, comme la prévision des ventes, sondages auprès des utilisateurs, la validation des données et des risques réglementaires.

marché

Les marchés cibles et les segments de marché connexes, en fonction du comportement de consommation des utilisateurs, nous pouvons diviser le marché très attentivement.

Répartition géographique, la capacité économique, les habitudes d'achat, les attitudes et les autres dimensions de la classification des produits, le réseau de neurones est la plus bonne chose. Unsupervised L'apprentissage peut automatiquement les utilisateurs Classifier avec des attributs similaires.

secteur Commerce de détail

réseau de neurones pour prédire les ventes des supermarchés est particulièrement avantageux car il peut être considéré comme un problème multidimensionnel. Par exemple, un produit peut avoir des aspects beaucoup de la demande du marché d'un revenu de consommation, la distribution de la population, les produits et les prix.

Une fois que les deux produits, il y a un certain temps leurs ventes et les contacts indirects, comme un utilisateur après l'achat d'une imprimante, sera très probablement besoin d'ajouter une nouvelle cartouche d'encre dans 3-4 mois le temps, le détaillant de clients les données d'achat pour pousser efficacement le produit, afin d'éviter la perte de clients aux concurrents.

secteur financier

Les réseaux de neurones ont été résolus avec succès le problème de plusieurs classes financières, telles que les produits financiers de classe dérivée de couverture, la valeur des projections futures, les taux de change de prévision et de la performance des marchés boursiers. Auparavant, la technologie de données est le moteur du développement de logiciels, maintenant, les réseaux de neurones, les lecteurs tout le monde à faire de meilleurs choix financiers.

industrie pharmaceutique

modélisation efficace du système physiologique humain, le travail dans ces zones de détection rapide de la maladie, nécessite beaucoup de réseaux de neurones à l'appui. Nous sommes très optimistes quant à l'avenir des applications de réseau de neurones à grande échelle dans le domaine médical.

conclusion

Peut-être, en même temps pour résoudre des problèmes pratiques en utilisant les réseaux de neurones, mais aussi l'avenir des réseaux de neurones comme artistes d'outils, mêlant les nouveaux effets visuels. Peut-être que nous pouvons trouver de la loi créatrice.

Dans l'ensemble, le réseau de neurones pour que l'ordinateur plus comme les gens, deviennent de plus en plus de compétences, peut nous aider à faire autre chose.

Lien original:

- FIN -

recrutement sincère

Qubits recrutent éditeur / journaliste, basé à Zhongguancun de Beijing. Nous attendons de talent, des étudiants enthousiastes de nous rejoindre! Détails, s'il vous plaît interface de dialogue qubit numéro public (QbitAI), réponse mot "recrutement".

Qubit QbitAI · manchettes sur la signature de

' « suivre les nouvelles technologies AI dynamiques et de produits