简单了解什么是神经网络

Il termine deep learning si riferisce all'addestramento delle reti neurali. Il termine 'deep' significa reti neurali molto grandi. Allora, cosa sono le reti neurali? Dopo aver letto questo articolo, avrai una comprensione intuitiva.

Iniziamo con un esempio di previsione dei prezzi delle case. Poiché i prezzi delle case sono così alti ora, otto anni fa i miei genitori mi dicevano di aiutarmi a comprare una casa a Pechino, ma ho rifiutato, pensando che non potessi contare sui miei familiari. Ora, pensandoci, sono un idiota. Se avessi comprato allora, ora non dovrei scrivere blog~~

Si dice che i prezzi delle case siano alziati dagli stessi cinesi, ma oltre all' Speculazione, ci sono anche fattori reali che influenzano i prezzi delle case. Analizzando questi fattori, possiamo prevedere i prezzi delle case. Supponiamo di avere un set di dati (l'area e il prezzo di sei case). Vuoi trovare un metodo (cioè costruire una funzione) per prevedere il prezzo basato sull'area. Se sei familiare con la regressione lineare (se non lo sei, vedi semplicemente come una teoria matematica), puoi disegnare una linea vicina ai dati reali, come la linea rossa nell'immagine, i piccoli cerchi blu rappresentano i punti di area e prezzo delle sei case, ossia trovare il prezzo corrispondente a una certa area in base a questa linea (questa funzione). Oltre a alcuni errori, è abbastanza accurato. Inoltre, sappiamo che il prezzo non può mai essere negativo, a meno che tu non sia la mafia, abbia occupato la casa di qualcun altro e abbia fatto pagare a qualcun altro per te. Quindi, quando l'area è zero, il prezzo è anche zero, quindi la linea deve fare una curva. Puoi considerare questa funzione di previsione del prezzo basata sull'area come un neurone di rete molto semplice (è quasi il neurone di rete più semplice). Come nel grafico di destra, il cerchio giallo rappresenta un neurone, la dimensione della casa è x, che entra nel neurone come input, poi il neurone esce il prezzo della casa y.

Nella letteratura relativa ai reti neurali, vedrai spesso questa funzione (la linea rossa in alto). Questa funzione è 0 per un certo periodo di tempo, poi si impenna. È chiamata funzione unità lineare rettificata (ReLU, abbreviazione di rectified linear unit). Non preoccuparti se non capisci ora, capirai man mano che vai avanti!

Esempio di previsione dei prezzi degli immobili attraverso la predizione dell'area è un neurone singolo, una rete neurale così piccola che non può essere più piccola. Compattando insieme molti di questi neuroni, possiamo formare una rete neurale più grande. Puoi considerare un neurone come un pezzo di mattoncino, e puoi ottenere una rete neurale più grande mettendo insieme molti di questi mattoncini. Nel caso dell'esempio sui prezzi degli immobili, come nell'immagine sopra, i fattori che influenzano i prezzi degli immobili non sono solo l'area, ma anche ad esempio il numero di camere da letto. Oltre all'area, il numero di camere da letto determina se la casa è adatta alla tua famiglia, per esempio se ci sono 3 o 5 persone in casa. Un altro fattore è il codice postale. Il codice postale rappresenta qui la posizione geografica, e se la posizione geografica è fiorente, la vita sarà più conveniente. Poi c'è un altro fattore, il livello di qualità delle scuole, in Cina c'è un'idea di case delle scuole. Questi fattori, li chiamiamo anche caratteristiche. In base all'area e al numero di camere da letto, possiamo determinare se soddisfa la dimensione della famiglia. In base al codice postale, possiamo stimare la convenienza della vita, inclusa la convenienza di andare a scuola. Infine, il livello di qualità della scuola può valutare la qualità dell'istruzione. Le persone considerano questi quattro fattori quando comprano una casa, ossia determinano i prezzi degli immobili, e anche il cazzo di speculazione, per il momento ignoriamo questo fattore. Quindi, in questo esempio, x rappresenta questi 4 input, e y è il prezzo da prevedere. L'immagine a sinistra è il processo analitico che facciamo manualmente, analizziamo quali input influenzano la corrispondenza della dimensione della famiglia, la convenienza della vita, la qualità dell'istruzione, e poi determiniamo il prezzo in mente. La cosa fantastica del neurone è che dobbiamo solo fornire l'input x (area, numero di camere da letto...) e il risultato y (prezzo) e i dati reali di addestramento (area, numero di camere da letto... e prezzo di sei case) e il neurone stesso esprimerà la corrispondenza della dimensione della famiglia, la convenienza della vita, la qualità dell'istruzione, basandosi sui dati reali, come nell'immagine a destra. Quando inserisci le caratteristiche della settima casa (area, codice postale...), questa rete neurale fornirà il prezzo finale basandosi sul processo intermedi precedentemente addestrato. Questo è il processo interno della rete neurale che sostituisce il processo analitico umano. Prendiamo un altro esempio, ad esempio quando insegniamo ai bambini a riconoscere i gatti, prendiamo alcuni gatti bianchi e gli diciamo che sono gatti, prendiamo alcuni gatti neri e gli diciamo che sono anche gatti, prendiamo poi alcuni cani e gli diciamo che non sono gatti, infine prendiamo alcuni gatti maculati e gli chiediamo, e lui ti dirà che sono gatti, ma come lo sa? Come è questo processo di giudizio intermedi? Non lo sappiamo. Questo è il motivo per cui diciamo che la rete neurale è spaventosa - il suo meccanismo di lavoro è troppo simile agli esseri umani - non sappiamo esattamente come funziona internamente, ossia non sappiamo come pensa, come non sappiamo esattamente come i bambini distinguano i gatti dai cani. Musk dice che l'intelligenza artificiale è pericolosa e potrebbe distruggere l'umanità non c'è ragione di dubitarne.

I neuroni del segmento centrale menzionato sopra sono chiamati neuroni nascosti. Potresti aver notato che in ogni neurone nascosto della rete neurale illustrata a destra, ciascun neurone nascosto riceve tutti gli input di caratteristiche. Nella figura a sinistra, è il processo di analisi dell'uomo, abbiamo analizzato che l'area e il numero di camere da letto sono caratteristiche correlate alla dimensione della famiglia, mentre nella figura a destra, forniamo tutte le caratteristiche a ciascun neurone nascosto, facendo la rete neurale analizzare da sola quali caratteristiche influenzeranno il prezzo della casa. Potrebbe essere che l'analisi della rete neurale sia più efficiente e più completa rispetto all'uomo, ho visto una notizia in cui la rete neurale di Facebook ha inventato un modo di comunicazione perché pensa che comunicare con il linguaggio umano sia troppo inefficiente~~

Dopo aver letto questo articolo, dovresti ancora avere una visione vaga delle reti neurali... Questo è giusto, se un articolo ti ha fatto capire le reti neurali, sei un genio.

Questo è tutto il contenuto dell'articolo su come avere una comprensione di base di cosa sono le reti neurali, speriamo che sia utile a tutti.

Python e reti neurali artificiali: introduzione all'uso di reti neurali per riconoscere immagini scritte a mano

Condividiamo un algoritmo di rete neurale profonda implementato con 70 righe di codice Java

Se c'è qualcosa di insufficiente, ti preghiamo di lasciare un commento. Grazie per il supporto dei amici al nostro sito!

Dichiarazione: il contenuto di questo articolo è stato tratto da Internet, il copyright spetta ai rispettivi proprietari. Il contenuto è stato contribuito e caricato autonomamente dagli utenti di Internet, il sito web non detiene i diritti di proprietà, non è stato editato manualmente e non assume alcuna responsabilità legale. Se trovi contenuti sospetti di violazione del copyright, ti preghiamo di inviare una e-mail a notice#oldtoolbag.com (sostituisci # con @) per segnalare il problema e fornire prove pertinenti. Una volta verificata, il sito web eliminerà immediatamente il contenuto sospetto di violazione del copyright.