Въведение в приложението на невронната мрежа
Следващата статия предоставя подробно описание на приложението на невронната мрежа. Първият въпрос, който възниква в съзнанието ни, е какво се разбира под изкуствена невронна мрежа? И защо се нуждаем от изкуствена невронна мрежа? Изкуствените невронни мрежи са изчислителни модели, базирани на биологични невронни мрежи. Те улесняват решаването на проблеми, докато обикновено трябва да пишем дълъг код за сложни проблеми.
Невронните мрежи помагат да се решат проблемите без широко програмиране със специфичните за проблема правила и условия. Те са опростени модели, използвани за много подобни проблеми с повечето сложни математически изчисления, както зад кулисите. Невронните мрежи са много по-бързи в прогнозирането, след като са били обучени от конвенционалната програма.
Различните видове невронни мрежи са като невронна мрежа Convolution, невронна мрежа Feedforward, периодична невронна мрежа, многослоен персептрон и др. Най-широко използваният модел на невронната мрежа е Convolution Neural Network (CNN).
Изкуствени невронни мрежи
Нека първо да разберем изкуствените невронни мрежи (ANN). В изкуствените невронни мрежи има главно три слоя.
1. Входен слой: Входният слой е този, който съдържа неврони, които са отговорни за входовете на функцията. В допълнение към невроните за функции, има и неврон за пристрастия, добавен към входящия слой. Така че във входния слой има общо n + 1 неврони. Bias е отговорен за прехвърлянето на линията или кривата от началото.
2. Скрити слоеве: Скритите слоеве са слоевете, които са между входните и изходните слоеве. Броят на скритите слоеве може да варира според приложението и нуждата. Дълбоките невронни мрежи са тези, които съдържат повече от един скрит слой.
3. Изходен слой: Изходният слой съдържа неврони, отговорни за изхода на проблема с класификацията или прогнозирането. Броят на невроните в него се основава на броя на изходните класове.
Приложения на невронни мрежи
Изкуствените невронни мрежи се използват широко в области като класификация на изображения или етикетиране или откриване на сигнал или превод на езици като такъв, който намираме като Google Translator. Може да е откриване на измама с помощта на някакъв биометричен или сигнал или някакъв вид прогнозиране или прогнозиране, можете да намерите всички тези неща, които да бъдат обхванати под чадъра на Изкуствените невронни мрежи.
Ние можем да класифицираме широко приложенията в следните домейни:
- Снимки
- Сигнали
- език
1. ANN в образи
Изкуствените невронни мрежи широко се използват в изображения и видеоклипове в момента. Можем да намерим приложението на невронните мрежи от обработка на изображения и класификация до равномерно генериране на изображения. Изображение и видео етикетиране също са приложения на невронни мрежи. Днес изкуствените невронни мрежи също се използват широко в биометрията като разпознаване на лица или проверка на подписа.
Разпознаване на персонажи: Трябва да сме намерили уебсайтовете или приложенията, които ни молят да качим изображението на нашите eKYC документи, нали? Всичко, което правят, е да разпознаят героите в тези изображения на нашите eKYC документи. Това е широко използвано приложение на невронна мрежа, което попада в категорията за разпознаване на образи. Изображенията на документа или старата литература могат да бъдат цифровизирани чрез разпознаване на символи. Тук сканираните изображения на документи се подават към модела и моделът разпознава текстовата информация в този сканиран документ. Моделите, които обикновено се използват за това, са CNN или други многослойни невронни мрежи като невронна мрежа с обратно разпространение.
Класификация на изображения или етикети: Колко хубаво се чувства, когато не можем да разпознаем нещо и използваме Google Търсене на изображения !! Точно това се нарича класификация на изображенията или тя обозначава изображенията, които се подават към нея. За класификация на изображенията обикновено се използва невронна мрежа на Convolution или невронна мрежа за подаване с обратно разпространение. Има и много други модели, но трябва да изберете модел въз основа на набора от данни за обучение и характеристики, които представляват интерес.
Предаването на трансфер може да се извърши с помощта на всеки предварително обучен модел, ако наборът от данни за вашия проблем е подобен на набора от данни на прегледания модел, който сте избрали. Има много предварително подготвени модели за класификация на изображения, които се обучават на милиони изображения от различни стотици и хиляди класове. Някои от моделите са ResNet, GoogLeNet, InceptionV3, VGG16, ImageNet и много други се предлагат.
Детекция на обект : Детекцията на обекти от изображения се използва широко за откриване на всеки обект и класифициране на изображението въз основа на това. Той се нуждае от голям набор данни за обучение с всички ясно посочени координати на обекта, който представлява интерес. Широко използваните модели за откриване на обекти са YOLO (You Only Look Only) и SSD (Single Shot Object Detectors).
Генериране на изображения : Поколението на изображения помага за генериране на фалшиви изображения въз основа на данните. Генерацията на карикатури също може да се счита за едно от нейните приложения. GAN (Generative Adversarial Networks) се използват за модели за генериране на изображения. Те се състоят от генератор на изображения и дискриминатор.
2. ANN в сигнали
ANN е система, базирана на биологична невронна мрежа, един от видовете неврони в ANN е -
Разпознаване на реч: Системата за разпознаване на реч преобразува речевите сигнали и ги декодира в текст или някаква смислова форма. Можем да кажем, че това е пряк пример за приложения във виртуални асистенти или чатботи. В наши дни умният дом на Google, Alexa, Siri, Google помощ или Cortana са известни на повечето от нас.
3. ANN на езика
Това може да се раздели на два модела главно като -
Класификация и категоризация на текста : Класификацията на текста е съществена част от търсенето и филтрирането на документи, онлайн търсенията в мрежата и идентифицирането на езика и анализа на настроенията. Невронните мрежи се използват активно за този вид задачи.
Разпознаването на именувани субекти и частите на маркирането на реч са част от приложението, което попада в областта на обработката на естествен език (NLP). Широко използваните модели са повтарящи се невронни мрежи (RNN) и мрежи за дългосрочна памет (LSTM). Въпреки че CNN се използва и за някои от приложенията.
Генериране на езици и обобщаване на документи: Създаването и парафразирането на естествения език и обобщаването на документи се използват широко за генериране на документи и обобщаване на мултидокументи. Техните приложения могат да бъдат намерени в генериране на текстови доклади от таблици с данни, автоматизирано писане на доклади, обобщаване на медицински доклади, генериране на истории и шеги и др.
Моделът, който се използва широко за генериране на текст, е моделът на повтарящата се невронна мрежа (RNN).
заключение
Невронните мрежи помагат да се улесняват трудните проблеми чрез обширно обучение. Те се използват широко за класификация, прогнозиране, откриване на обекти и генериране на изображения, както и текст.
Препоръчителни статии
Това е ръководство за Приложение в Невронна мрежа. Тук също обсъждаме въвеждането на приложението на невронната мрежа. Може да разгледате и следните статии, за да научите повече -
- Класификация на невронната мрежа
- Мрежови инструменти за сканиране
- Повтарящи се невронни мрежи (RNN)
- Машинно обучение срещу невронна мрежа