Для чего нужна нейронная сеть?
Нейронная сеть - это один из программных механизмов, который позволяет программе обучаться, то есть учитывать опыт. Чем больше подходящих для обучения данных имеется, тем, как правило, лучше (при условии, что распределение данных по содержанию схоже с тем, с которым вы намерены сталкиваться уже при рабочей, обученной программе).
Чем хороша нейросеть?
Ведь есть и другие методы, которые позволяют программе учиться.
Во-первых, нейронные сети - нелинейный метод, попросту говоря, они способны находить сложные, едва неуловимые зависимости между отдельными свойствами данных.
Вместе с тем, нейросети хороши с точки зрения скорости вычислений, т.к. они хорошо параллелятся на GPU. Нейронные сети - хорошее решение, когда мы имеем сложные данные, с большим количеством отличающихся признаков, и мы хотим, чтобы модель умела обобщаться на новые данные, и корректно решать задачу. Со многими задачами нейросети на данный момент справляются хуже, чем человек, однако в ряде задач нейросети способны справиться лучше, чем человек (чаще всего, в силу возможности "человеческого фактора" допустить ошибку по невнимательности).
С какими видами данных может работать нейросеть?
- таблицы
- изображения
- аудио
- видео
- временные ряды (например, финансы, показатели с датчиков и т.д.)
- текст
Какие существуют применения нейронных сетей?
- Рекомендательные системы
- Прогнозирование лояльности клиентов
- Чат-боты
- Беспилотные автомобили
- Генерация музыки
- Стилизация изображений
- Написание стихов
- Анализ медицинских снимков
- Прогнозирование выхода устройства из строя
- Распознавание лиц
- И многие другие
Нейронные сети - будущее информационных технологий. Они уже сейчас применяются, например, в поисковых системах. Тот же сервис по нахождению картинок, распознавание лиц, предсказание погоды и т.д.
Нейронная сеть особенно необходима в тех случаев когда имеет место дименция или же просто плохая память или соотвественно ухудшенная реакция
- Статическое обратное распространение:
- Recurrent обратное распространение:
Нейросети обрабатывают большое количество внешних факторов, оценивают степень влияния каждого из них на конечный результат и на основе этого находят лучший ответ на поставленную задачу.
Если объяснять "на пальцах", то основными элементами любой нейросети являются нейроны. Каждый нейрон получает на вход один или несколько сигналов (чисел), обрабатывает их хитрым (или не очень) образом, а затем передает результат дальше.
Нейроны объединены в последовательно расположенные слои. Отдельно выделены два крайних слоя - входной и выходной. Через входной слой нейросеть получает информацию, через выходной передает результат ее обработки. Все промежуточные слои называются скрытыми.
Каждый скрытый слой соединен с двумя соседними (предыдущим и следующим) сложной системой связей (простите за тавтологию). В простейшем случае в каждый его нейрон попадают сигналы от каждого нейрона предыдущего слоя, обрабатываются, а затем из него уходят в каждый нейрон следующего слоя.
Однако, это еще не все. Каждая связь имеет "вес". То есть, сигнал от одного нейрона, пока идет до следующего, несколько меняет значение (значение этого сигнала умножается на этот "вес").
Если весам связей присвоить случайные значения, то ничего осмысленного такая нейросеть делать не будет. То есть, их надо еще как-то правильно подобрать. Иными словами, нейросеть надо обучить.
Как происходит обучение, проще показать на примере. Допустим, мы обучаем нейросеть отличать изображения кошек от изображений собак. Тогда на входной слой нейросети мы отдаем изображение, а на выходе нейросеть возвращает пару действительных чисел от 0 до 1 каждое. Первое означает, насколько нейросеть уверена, что это собака, а второе - что кошка. Почему делают именно так - вопрос, на который простым языком не ответить. То есть, если первое число больше, то нейросеть решила, что увидела собаку, а если второе, то кошку.
Итак, время обучать сетку. Даем нейросети изображение. Она отвечает нам этой самой парой чисел (a, b). Но мы-то знаем, кто на картинке, правда? Поэтому мы поправляем нейросеть. А именно, мы "насильно запихиваем" в выходной слой пару (1, 0), если собака или (0, 1), если кошка, а дальше происходит некоторая магия (чтобы постичь ее, нужно обладать некоторым знанием математики), которая заставляет нейросеть перераспределять веса связей. Самый распространенный способ творить эту магию - т.н. "метод обратного распространения ошибки", но есть и другие.
Спустя множество разных картинок, с которыми мы провернем то же самое, веса связей между нейронами выстроятся таким образом, что она будет хорошо отличать кошек от собак.
Как видите, магия возникла только в двух местах. Чтобы разобраться, в ней, нужно читать более строгие тексты. Начать рекоммендую с этого:
wikipedia.orgИ/или