Въведение в техниката на задълбочено обучение

Техниката на дълбоко обучение се основава на изкуствени невронни мрежи, които действат като човешки мозък. Той имитира начина, по който човешкият мозък мисли и изпълнява. В този модел системата научава и извършва класификация от изображения, текст или звук. Моделите за дълбоко обучение се обучават от големи етикетирани и многослойни данни, за да се постигне висока точност в резултата дори повече от човешкото ниво. Автомобилът без шофьор прилага тази технология за идентифициране на знак за спиране, пешеходец и т.н. в движение. Електронните приспособления като мобилни телефони, високоговорители, телевизор, компютри и др. Имат функция за гласов контрол заради Deep Learning. Тази техника е нова и ефективна за потребителите и организациите.

Работа на задълбочено обучение

Методите за дълбоко обучение използват Невронни мрежи. Така че, те често са наричани Deep Neural Networks. Дълбоките или скрити невронни мрежи имат множество скрити слоеве от дълбоки мрежи. Дълбокото обучение тренира AI за прогнозиране на изхода с помощта на определени входове или скрити мрежови слоеве. Тези мрежи се обучават от големи маркирани набори от данни и учат функции от самите данни. И контролираното, и контролираното обучение работи при обучението на данните и генерирането на функции.

Горните кръгове са неврони, които са свързани помежду си. Има 3 вида неврони:

  • Входен слой
  • Скрит слой (и)
  • Изходен слой

Входният слой получава входните данни и предава входа на първия скрит слой. Математическите изчисления се извършват върху входните данни. И накрая, изходният слой дава заключенията.

CNN или конвенционални невронни мрежи, една от най-популярните невронни мрежи включва функции, научени от входните данни и използва 2D конволюционни слоеве, за да го направи подходящ за обработка на 2D данни като изображения. Така че, CNN намалява използването на ръчно извличане на функции в този случай. Той директно извлича необходимите функции от изображения за класификация. Поради тази функция за автоматизация, CNN е най-вече точен и надежден алгоритъм в машинното обучение. Всеки CNN научава функции на изображения от скрития слой и тези скрити слоеве увеличават сложността на научените изображения.

Важната част е да се обучават AI или Neural Networks. За да направим това, ние даваме информация от набора от данни и накрая правим сравнение на изходите с помощта на изхода на набора от данни. Ако AI не е обучен, изходът може да е грешен.

За да разберем колко погрешен е изходът на AI от реалния изход, имаме нужда от функция за изчисление. Функцията се нарича функция на разходите. Ако функцията на разходите е нула, то и изходът на AI, и реалният изход са еднакви. За да намалим стойността на функцията на разходите, променяме теглата между невроните. За удобен подход може да се използва техника, наречена Gradient Descent. GD намалява теглото на невроните до минимум след всяка итерация. Този процес се извършва автоматично.

Техника на задълбочено обучение

Алгоритмите за дълбоко обучение се изпълняват през няколко слоя на скрития слой или слоеве или Невронни мрежи. И така, те научават дълбоко за изображенията за точно прогнозиране. Всеки слой научава и открива функции на ниско ниво като ръбове и впоследствие новият слой се слива с характеристиките на по-ранния слой за по-добро представяне. Например, средният слой може да открие всеки ръб на обекта, докато скритият слой ще открие целия обект или изображение.

Тази техника е ефективна с големи и сложни данни. Ако данните са малки или непълни, DL става неспособен да работи с нови данни.

Има някои мрежи за дълбоко обучение, както следва:

  • Неподдържана предварително обучена мрежа : Това е основен модел с 3 слоя: входен, скрит и изходен слой. Мрежата е обучена да реконструира входа и след това скритите слоеве се учат от входовете, за да събират информация и накрая, от изображението се извличат функции.
  • Конвенционална невронна мрежа : Като стандартна невронна мрежа, тя има завивка вътре за откриване на ръбове и точно разпознаване на обекти.
  • Повтаряща се невронна мрежа : В тази техника изходът от предишния етап се използва като вход за следващия или текущия етап. RNN съхранява информацията в контекстни възли, за да научи входните данни и да произведе изхода. Например, за да завършим изречение, ни трябват думи. т.е. за да предскажете следващата дума, са необходими предишни думи, които трябва да се запомнят. RNN основно решава този тип проблеми.
  • Рекурсивни невронни мрежи : Това е йерархичен модел, при който входът е дървовидна структура. Този вид мрежа се създава чрез прилагане на един и същ набор от тегла върху сглобяването на входовете.

Deep Learning има най-различни приложения във финансови области, компютърно зрение, разпознаване на аудио и реч, анализ на медицински образи, техники за дизайн на наркотици и др.

Как да създадете модели за задълбочено обучение?

Алгоритмите за дълбоко обучение се правят чрез свързване на слоеве между тях. Първата стъпка по-горе е входният слой, последван от скрития слой (и) и изходния слой. Всеки слой е съставен от взаимосвързани неврони. Мрежата консумира голямо количество входни данни, за да ги оперира през множество слоеве.

За да създадете модел на задълбочено обучение, са необходими следните стъпки:

  • Разбиране на проблема
  • Идентифицирайте данни
  • Изберете алгоритъма
  • Обучете модела
  • Тествайте модела

Ученето се осъществява в две фази

  • Приложете нелинейно преобразуване на входните данни и създайте статистически модел като изход.
  • Моделът е подобрен с производен метод.

Тези две фази на операцията са известни като итерация. Невронните мрежи повтарят двете стъпки, докато се генерират желания изход и точност.

1. Обучение на мрежи: За да обучим мрежа от данни, ние събираме голям брой данни и проектираме модел, който ще научи характеристиките. Но процесът е по-бавен в случай на много голям брой данни.

2. Трансферно обучение: Трансферното обучение основно оправя предварително обучен модел и след това се изпълнява нова задача. В този процес времето за изчисляване става по-малко.

3. Извличане на функция: След като всички слоеве са обучени за характеристиките на обекта, характеристики се извличат от него и изходът се прогнозира с точност.

заключение

Дълбокото обучение е подмножество на ML и ML е подмножество на AI. И трите технологии и модели имат огромно влияние върху реалния живот. Стопанските субекти, търговските гиганти прилагат модели на дълбоко обучение за превъзходни и съпоставими резултати за автоматизация, която е вдъхновена от човешкия мозък.

Препоръчителни статии

Това е ръководство за техниката на задълбочено обучение. Тук обсъждаме как да създаваме модели на задълбочено обучение заедно с двете фази на работа. Можете също да разгледате следните статии, за да научите повече -

  1. Какво е дълбокото обучение
  2. Кариери в задълбочени познания
  3. 13 Полезни въпроси и отговор за задълбочено обучение за интервю
  4. Хиперпараметрово машинно обучение

Категория:

Голяма информация