Иван Лаухин
сентябрь 2015.
6174

Объясните простым языком, что такое нейронные сети, которыми Google картинки рисует?

Ответить
Ответить
Комментировать
0
Подписаться
8
3 ответа
Поделиться

Как ясно из их названия, это программы, либо оборудование симулирующее работу мозга. Устроено это дело как сеть взаимосвязанных процессоров(механических нейронов), обрабатывающих только определенные сигналы, и передающих эти сигналы дальше по сети. Такие сети нельзя программировать в привычном смысле слова, их приходится обучать. В указанном вами случае с картинками, для этого используют большое количество других картинок, изображающих какой-нибудь конкретный предмет, например банан. В сеть загружают множество разных фотографий бананов, сообщая ей, что на всех фото именно они. Сеть ищет, общие черты на всех фотографиях (каждый процессор обрабатывает какой-нибудь один признак), и по ним создает собирательный образ банана, который может потом нарисовать, если прогнать процесс в обратную сторону.

14
0
Прокомментировать

Если прямо простым языком, то нейронная сеть - это не более чем какая-то математическая функция, только самую малость сложнее, чем те, что в школе в седьмом классе проходят. Вот пример какой-то усреднённый, потому что вариаций масса (от страшных слов, вроде многослойный перцептрон, до каких-нибудь сверточных нейронок, распознающих котиков на картинке).

Берём какой-то набор чиселок (как уже было сказано, нейронка - это математическая функция, чаще всего оперирующая чиселками, поэтому даже фотографию котика нужно представить как числовую матрицу). Берём и изо всех сил делаем какое-то линейное преобразование (ещё страшное слово). Для простоты возьмём самый простой вид нейроночки, в котором просто берём и наш массив умножаем на какую-то матрицу и получаем нечто. Но линейное преобразование - это слишком просто, а нам нужна сложная функция, чтобы и лысых котиков распознавала, и рыжих. Поэтому берём и от души сверху лепим нелинейное преобразование - оно сложнее и вообще крутое. Опять же, вариаций масса - от ReLU до сигмоиды (это уже гуглится).

Так и живём: умножение на матрицу - преобразование - умножение - преобразование... Чем больше такая цепочка, тем глубже нейронка.

Резонный вопрос: откуда берутся те самые матрицы, на которые надо умножать?

Тут в дело вступает обучение. Берёте вы десять гигабайт картинок с котиками и по очереди пихаете в нейронную сеть. Она их преобразовывает, получает на выходе какой-то числовой ответ, из которого следует, что на картинке Ленин. Но на картинке не Ленин - там котик, поэтому нейронка немного корректирует свои матрицы и пытается снова. Если с данными всё хорошо, то в итоге с такими математическими преобразованиями она научится "понимать", что котик - это котик, а Ленин - это Ленин.

Большинство сложных моментов с производными и градиентами я опущу, да и вообще, местные датасайентисты меня уже заминусуют за такое упрощённое объяснение с кучей неточностей, но, надеюсь, общую суть передал. Такие вот дела.

13
0

Видимо, я не очень разбирался в терминах, когда это писал пару месяцев назад. В данном случае правильнее говорить о линейном операторе, а не преобразовании, ведь мы переходим между разными линейными пространствами с разными размерностями. Если кто-то словил фейспалм от такого, извиняйте, чо с:

0
Ответить
Прокомментировать

Искусственная нейронная сеть (ИНС) - это такая математическая модель, имитирующая процессы, происходящие в биологических нейронных сетях, т.е. таких, как, например, наш мозг. ИНС, как и биологическая нейронная сеть, состоит из нейронов, связанных между собой. Каждый нейрон принимает данные, обрабатывает их определенным образом и выдает определённый сигнал. На вход нейрону подаётся вектор (совокупность) входных сигналов (признаков) X, каждый элемент которого сопоставлен с каким-то элементом вектора весовых коэффициентов W. Затем каждый элемент вектора X умножается на соответствующий ему элемент вектора W, и такие произведения суммируются, после чего полученная сумма проходит через специальную функцию активации нейрона. Конечный результат - это и есть выходное значение нейрона. ИНС состоит из множества таких нейронов, организованных в слои и связанных между собой: нейроны первого (входного) слоя принимают в качестве вектора признаков определённые данные, например, изображение, обрабатывают и получают ответ. Нейроны второго слоя получают в качестве вектора признаков выходные данные нейронов первого слоя, обрабатывают их и подают на входы нейронам третьего слоя и т.д. В конце нейроны выходного слоя выдают вектор выходных данных сети. Например, первый нейрон выходного выдаёт вероятность того, что на картинке изображена кошка, второй - вероятность того, что изображена собака, третий - попугай и т.д. 

Для того, чтобы ИНС можно было использовать в прикладных задачах, необходимо её обучить. Обучением называется подбор оптимального значения матрицы весов модели, т.е. такое изменение весов связей между нейронами, которое минимизировало бы ошибку нейронной сети (к примеру, количество неправильно классифицированных объектов на изображении). В процессе обучения нейронные сети "находят" определенные закономерности во входных данных: к примеру, в нейросети, обученной для распознавания объектов на изображении, нейроны входного слоя "отвечают" в изображении за линии под определенными углами, резкие цветовые переходы; нейроны второго слоя уже могут определять текстуру, мелкие детали в изображениях, а уже на четвертом или пятом слое нейроны различают крупные признаки объектов, например, один нейрон реагирует на голову собаки, другой - на голову совы и т.д.

Есть много различных видов нейронных сетей: сверточные сети подходят для обработки аудио, изображений и видео; рекуррентные нейронные сети могут запоминать информацию и контекст, их используют для обработки текстов и распознавания речи; генеративно-состязательные нейросети - это пара моделей, одна (сеть G) должна создать максимально правдоподобный образ (например, лицо человека), а другая (сеть D) - с максимальной точностью отбраковать настоящие фото от "фейковых". Сейчас индустрия глубинного обучения быстро развивается, и область применения нейросетей расширяется - от изменения изображений под стиль определенного художника до создания беспилотных автомобилей.

4
0
Прокомментировать
Ответить
Читайте также на Яндекс.Кью
Читайте также на Яндекс.Кью