Kot pomembna podskupina strojnega učenja je povpraševanje po se je izjemno dvignil, zlasti med tistimi, ki jih zanima sprostitev neomejenih možnosti umetne inteligence.Navdihnjen z naraščajočo priljubljenostjo globokega učenja sem si zamislil vrsto blogov, ki vas bodo seznanili s tem novim trendom na področju umetne inteligence in vam pomagali razumeti, za kaj gre. To je prvi izmed številnih blogov v seriji, imenovanih - Vadnica za globoko učenje .
Vadnica za globoko učenje
V tem blogu o vajah za poglobljeno učenje vas bom popeljal skozi naslednje stvari, ki bodo služile kot osnova za prihajajoče bloge:
niz predmetov v javi
- Kaj je omogočilo globoko učenje
- Kaj je globoko učenje in kako deluje?
Lahko si ogledate ta posnetek Vadnice za globoko učenje, kjer je naš inštruktor podrobno razložil teme s primeri, ki vam bodo pomagali bolje razumeti ta koncept.
Vadnica za globoko učenje | Poglobljeno učenje nevronskih mrež | Edureka
Aplikacije umetne inteligence in globokega učenja
Zdaj pomislite na to, namesto da opravite vse svoje delo, imate stroj, ki vam ga dokonča, ali pa lahko naredi nekaj, za kar ste mislili, da sploh ni mogoče. Na primer:
 | Napovedovanje prihodnosti: Vnaprej nam lahko pomaga pri napovedovanju potresov, cunamija itd., Tako da lahko sprejmemo preventivne ukrepe, s katerimi bomo številna življenja rešili pred padcem v kremplje naravnih nesreč. |
| Klepetalnice: Vsi bi že slišali za Siri, ki je Appleov glasovno nadzorovan virtualni asistent. Verjemite mi, s pomočjo Deep Learning-a je ta virtualna pomoč iz dneva v dan pametnejša. Pravzaprav se Siri lahko prilagodi glede na uporabnika in zagotovi bolj prilagojeno pomoč. |
| Samovozeči avtomobili: Predstavljajte si, kako neverjetno bi bilo za gibalno ovirane in starejše ljudi, ki težko vozijo sami. Poleg tega bo rešila milijone nedolžnih življenj, ki se vsako leto zaradi človeških napak srečajo v prometnih nesrečah. |
Google AI očesni zdravnik: To je nedavna pobuda Googla, pri kateri sodelujejo z indijsko verigo za nego oči, da bi razvili programsko opremo za umetno inteligenco, ki lahko preiskuje preglede mrežnice in prepozna stanje, imenovano diabetična retinopatija, ki lahko povzroči slepoto. |
| Skladatelj glasbe AI: No, kdo je mislil, da lahko z Deep Learning-om dobimo skladatelja umetne inteligence. Zato ne bi bil presenečen, če bi slišal, da naslednjo najboljšo glasbo daje stroj. |
| Sanjski bralni stroj: To je eden mojih najljubših, stroj, ki lahko zajame vaše sanje v obliki videa ali kaj podobnega. Ob toliko nerealističnih aplikacijah umetne inteligence in globokega učenja, ki smo jih videli doslej, nisem bil presenečen, ko sem ugotovil, da so to na Japonskem preizkusili že nekaj let nazaj na treh preizkušancih in so lahko dosegli skoraj 60-odstotno natančnost. To je nekaj povsem neverjetnega, a resničnega. |
Prepričan sem, da bi vam nekatere od teh resničnih aplikacij umetnega in umetnega učenja in globokega učenja najele kožo. Takrat je to osnova za vas, zdaj pa smo pripravljeni nadaljevati v tej vadnici za globoko učenje in razumeti, kaj je umetna inteligenca.
Kaj je umetna inteligenca?
Umetna inteligenca ni nič drugega kot sposobnost stroja, da posnema inteligentno človeško vedenje. AI dosežemo tako, da posnemamo človeške možgane, razumemo, kako razmišljajo, kako se učijo, odločajo in delajo, medtem ko poskušajo rešiti težavo.
Na primer: Stroj, ki igra šah, ali glasovno aktivirana programska oprema, ki vam pomaga pri različnih stvareh v iPhonu ali sistem za prepoznavanje registrske tablice, ki zajame registrsko tablico prehitrega avtomobila in jo obdela, da izvleče registrsko številko in identificira lastnika avtomobila . Vse to prej ni bilo zelo enostavno izvesti Globoko učenje . Zdaj pa razumimo različne podskupine umetne inteligence.
Podmnožice umetne inteligence
Do zdaj bi že veliko slišali o umetni inteligenci, strojnem učenju in globokem učenju. Pa vendar poznate odnos med vsemi tremi? V bistvu je globoko učenje podpolje strojnega učenja, strojno učenje pa podpolje umetne inteligence, kot je prikazano na spodnji sliki:
Ko pogledamo nekaj takega AlphaGo , je pogosto prikazan kot velik uspeh globokega učenja, v resnici pa gre za kombinacijo idej z več različnih področij umetne inteligence in strojnega učenja. Pravzaprav bi bili presenečeni, ko bi slišali, da ideja globokih nevronskih mrež ni nova, ampak sega v petdeseta leta. Vendar ga je bilo mogoče praktično uvesti zaradi zmogljivih virov, ki so danes na voljo.
Torej, v tem blogu z vadnicami za globoko učenje raziščimo strojno učenje, ki mu sledijo njegove omejitve.
Kaj je strojno učenje?
Strojno učenje je podskupina umetne inteligence, ki računalnikom omogoča, da se učijo, ne da bi bili izrecno programirani. Pri strojnem učenju nam ni treba natančno opredeliti vseh korakov ali pogojev, kot katera koli druga programska aplikacija. Nasprotno, stroj se usposobi na naboru podatkov za usposabljanje, ki je dovolj velik, da ustvari model, ki pomaga stroju pri sprejemanju odločitev na podlagi njegovega učenja.
Na primer: Vrsto cvetja želimo določiti na podlagi dolžine cvetnih listov in ločnic (listi rože) s pomočjo strojnega učenja. Potem, kako bomo to storili?
| V naš stroj bomo dodali nabor podatkov o cvetovih, ki vsebuje različne značilnosti različnih cvetov, skupaj z njihovimi vrstami, kot lahko vidite na zgornji sliki. S pomočjo tega nabora vhodnih podatkov bo naprava ustvarila in usposobila model, ki ga lahko uporabimo za razvrščanje cvetja v različne kategorije. |
| Ko je naš model usposobljen, bomo kot vhod v model prenesli niz značilnosti. |
| Končno bo naš model prikazal vrste cvetov, ki so prisotne v novem naboru vhodnih podatkov. Ta postopek usposabljanja stroja za ustvarjanje modela in njegovo uporabo pri odločanju se imenuje Strojno učenje . Vendar ima ta postopek nekatere omejitve. |
Omejitve strojnega učenja
Strojno učenje ne more obdelovati visoko dimenzionalnih podatkov, kjer je vnos in izhod precej velik. Ravnanje in obdelava tovrstnih podatkov postane zelo zapletena in izčrpna. To se imenuje Prekletstvo dimenzionalnosti . Da bi to razumeli bolj preprosto, si oglejmo naslednjo sliko:
| Upoštevajte vrstico 100 jardov in nekje na črto ste spustili kovanec. Zdaj je povsem priročno, da kovanec najdete tako, da preprosto hodite po črti. Prav ta črta je enodimenzionalna entiteta. |
| Nato upoštevajte, da imate kvadrat stranskih 100 jardov, kot je prikazano na zgornji sliki, in spet ste nekje vmes spustili kovanec. Zdaj je povsem očitno, da si boste vzeli več časa, da najdete kovanec znotraj tega kvadrata v primerjavi s prejšnjim scenarijem. Ta kvadrat je dvodimenzionalna entiteta. |
| Naredimo korak naprej tako, da razmislimo o kocki stranskih 100 jardov in nekje vmes ste spustili kovanec. Zdaj je kovanec tokrat še težje najti. Ta kocka je tridimenzionalna entiteta. |
Tako lahko opazite, da se zapletenost povečuje, ko se dimenzije povečujejo.V resničnem življenju imajo visoko dimenzionalni podatki, o katerih smo govorili, na tisoče dimenzij, zaradi česar je zelo zapleteno obdelovati in obdelovati. Podatke z visoko dimenzijo lahko zlahka najdemo v primerih uporabe, kot so obdelava slik, NLP, prevajanje slik itd.
Strojno učenje teh primerov ni moglo rešiti, zato je globoko učenje priskočilo na pomoč. Poglobljeno učenje je sposobno obdelovati visoko dimenzionalne podatke in se učinkovito osredotoča na prave lastnosti. Ta postopek se imenuje ekstrakcija lastnosti. Zdaj pa pojdimo naprej v tej vadnici za globoko učenje in razumemo, kako deluje globoko učenje.
Kako deluje poglobljeno učenje?
V poskusu preoblikovanja človeških možganov Deep Learning preučuje osnovno enoto možganov, imenovano možganska celica ali nevron. Navdihnjen iz nevrona je bil razvit umetni nevron ali perceptron. Zdaj pa razumimo funkcionalnost bioloških nevronov in kako posnemamo to funkcionalnost v perceptronu ali umetnem nevronu:
Če se osredotočimo na strukturo biološkega nevrona, ima dendrite, ki se uporabljajo za sprejem vhodnih podatkov. Ti vhodi se seštejejo v telesu celice in se z uporabo Axona prenesejo na naslednji biološki nevron, kot je prikazano na zgornji sliki.
kakšni so primeri v javi
Podobno perceptron prejme več vhodov, uporabi različne transformacije in funkcije in zagotovi izhod.
Ker vemo, da so naši možgani sestavljeni iz več povezanih nevronov, imenovanih nevronska mreža, imamo lahko tudi mrežo umetnih nevronov, imenovanih perceptroni, ki tvorijo globoko nevronsko mrežo. Torej, pojdimo naprej v tej vadnici za globoko učenje, da bomo razumeli, kako izgleda globoka nevronska mreža.
Vadnica za globoko učenje: Kaj je globoko učenje?
- Vsaka globoka nevronska mreža bo sestavljena iz treh vrst plasti:
- Vhodna plast
- Skrita plast
- Izhodni sloj
| V zgornjem diagramu je prva plast vhodna plast, ki sprejme vse vložke, zadnja plast pa izhodna plast, ki zagotavlja želeni izhod. |
| Vse plasti med njimi se imenujejo skrite plasti. Zahvaljujoč vrhunskim virom, ki so danes na voljo, je lahko n število skritih slojev. |
| Število skritih plasti in število perceptronov v vsaki plasti bo v celoti odvisno od primera uporabe, ki ga želite rešiti. |
Zdaj, ko imate sliko globokih nevronskih mrež, pojdimo naprej v tej vadnici za globoko učenje, da dobimo pogled na visoki ravni, kako globoke nevronske mreže rešujejo problem prepoznavanja slik.
Globoko učenje - primer
Prepoznavanje slik želimo izvesti s pomočjo Deep Networks:
ssis vadnica za začetnike 2012 s primeri
| Tu prenašamo visoko dimenzionalne podatke v vhodno plast. Da se ujema z dimenzionalnostjo vhodnih podatkov, bo vhodna plast vsebovala več podplatov perceptronov, tako da lahko porabi celoten vhod. |
| Izhodni podatki, ki jih prejme vhodna plast, bodo vsebovali vzorce in lahko na podlagi ravni kontrasta prepoznajo le robove slik. |
| Ta izhod bo doveden v skrito plast 1, kjer bo lahko identificiral različne značilnosti obraza, kot so oči, nos, ušesa itd. |
| Zdaj bo ta doveden v skrito plast 2, kjer bo lahko oblikoval celotne obraze. Nato se izhodni sloj 2 pošlje v izhodni sloj. |
| Končno izhodna plast izvede klasifikacijo na podlagi rezultata, pridobljenega iz prejšnjega, in napove ime. |
Naj vas vprašam, kaj se bo zgodilo, če katera od teh plasti manjka ali pa nevronska mreža ni dovolj globoka? Preprosto, slik ne bomo mogli natančno prepoznati. To je razlog, zakaj ti primeri uporabe niso imeli rešitve vsa leta pred globokim učenjem. Da bi to nadaljevali, bomo poskušali uporabiti globoka omrežja na naboru podatkov MNIST.
Nabor podatkov Mnist je sestavljen iz 60.000 vzorcev za usposabljanje in 10.000 vzorcev za testiranje ročno napisanih digitalnih slik. Naloga tukaj je usposobiti model, ki lahko natančno identificira številko na sliki.
- Za rešitev tega primera bo ustvarjeno globoko omrežje z več skritimi plastmi za obdelavo vseh 60.000 slik piksel za slikovno piko in končno bomo prejeli izhodni sloj.
- Izhodna plast bo matrika indeksa 0 do 9, kjer vsak indeks ustreza ustrezni številki. Indeks 0 vsebuje verjetnost, da je 0 številka, ki je prisotna na vhodni sliki.
Podobno indeks 2, ki ima vrednost 0,1, dejansko predstavlja verjetnost, da je 2 številka, ki je prisotna na vhodni sliki. Torej, če v tej matriki vidimo največjo verjetnost 0,8, ki je prisotna pri indeksu 7 matrike. Številka na sliki je torej 7.
Zaključek
Torej, fantje, tu je šlo le za globoko učenje na kratko. V tej vadnici za poglobljeno učenje smo videli različne aplikacije poglobljenega učenja in razumeli njegov odnos z umetno inteligenco in strojnim učenjem. Nato smo razumeli, kako lahko uporabimo perceptron ali umetne nevrone osnovne gradnike za ustvarjanje globoke nevronske mreže, ki lahko opravlja takšne zapletene naloge. Končno smo šli skozi enega izmed primerov globokega učenja, kjer smo izvedli prepoznavanje slik z uporabo globokih nevronskih mrež in razumeli vse korake, ki se dogajajo v ozadju. Zdaj bomo v naslednjem blogu te vadnice za globoko učenje izvedeli, kako implementirati perceptron z uporabo TensorFlow-a, ki je na osnovi Pythona knjižnica za globoko učenje.
Zdaj, ko veste o globokem učenju, si oglejte Edureka, zaupanja vredno podjetje za spletno učenje z mrežo več kot 250.000 zadovoljnih učencev, razširjenih po vsem svetu. Tečaj Edureka za poglobljeno učenje s certifikatom TensorFlow pomaga učencem, da postanejo strokovnjaki za usposabljanje in optimiziranje osnovnih in konvolucijskih nevronskih mrež z uporabo projektov in nalog v realnem času, skupaj s koncepti, kot so funkcija SoftMax, samodejno kodiranje nevronskih mrež, omejeni stroj Boltzmann (RBM).
Imate vprašanje za nas? Prosimo, omenite to v oddelku za komentarje in se vam bomo javili.