Նեյրոնային ցանց

Նեյրոնային ցանցը (անգլերեն՝ neural network) արհեստական ​​ինտելեկտի (AI) տեխնոլոգիա է` ծրագիր, որը համակարգիչներին սովորեցնում է մշակել տվյալները այնպես, ինչպես մարդու ուղեղը: Նյարդային ցանցերը հաշվողական համակարգեր կամ մեքենաներ են, որոնք նախատեսված են մարդու ուղեղի կողմից իրականացվող վերլուծական գործողությունները մոդելավորելու համար:

Արհեստական ​​նեյրոնային ցանցը (նեյրոնային ցանց կամ նեյրոցանց) ծրագիր է, որը կրկնում է մարդկային նեյրոնային կապերի օրինաչափությունը։ Դրանց հիման վրա ստեղծվում են ուսուցանվող ծրագրեր, որոնց կարելի է սովորեցնել ճանաչել կամ ստեղծել բովանդակություն: Նեյրոնային ցանցի գործառնական սկզբունքը նման չէ դասական ծրագրին։ Նյարդային կամ նեյրոնային ցանցերը արհեստական ​​ինտելեկտի/բանականության (AI) ճյուղ են և օգտագործվում են չմշակված տվյալների մեջ թաքնված օրինաչափությունները ճանաչելու, դրանք խմբավորելու և դասակարգելու, ինչպես նաև AI-ի, մեքենայական ուսուցման և խորը ուսուցման խնդիրներ լուծելու համար:

Արդյո՞ք նեյրոնային ցանցը ուղեղի նմանակն է

Արհեստական ​​նեյրոնային ցանցը մարդու ուղեղի մոդել չէ. նույնիսկ գոյություն ունեցող ամենահզոր ցանցերը չեն կարող հասնել նման հզորության և նեյրոնների նման քանակի: Մարդու ուղեղը պարունակում է հսկայական քանակությամբ նյարդային բջիջներ՝ տասնյակ միլիարդներ։ Արհեստական ​​նեյրոնային ցանցերը շատ ավելի քիչ նեյրոններ ունեն: Ներկայում մարդկային ուղեղին հավասար հնարավորություններով նեյրոնային ցանց ստեղծելու հնարավորություն չկա: Այդուհանդերձ, այս ուղղությամբ զարգացումները շարունակվում են, թեև նման նախագծերը դեռ հետազոտության փուլում են: Նույնիսկ ուղեղի համեմատ փոքր թվով նեյրոնների դեպքում նեյրոնային ցանցերը կարող են հասնել զարմանալի ուսուցման արդյունքների: Ոմանք նույնիսկ անցնում են Թյուրինգի թեստը, բայց մի նախազգուշացումով. նրանք գիտակցություն չունեն, պարզապես լավ են դարձել դրա ներկայությունը նմանակելու մեջ: Երբեմն նույնիսկ մարդը միշտ չէ, որ կարողանում է իր զրուցակցի մեջ ճանաչել նեյրոնային ցանցը։

Արհեստական ​​նեյրոնային ցանցերը բաղկացած են մի քանի շերտերից՝

• մուտքային,
• թաքնված,
• ելքային։

Նրանցից յուրաքանչյուրն ունի մի քանի հանգույց, որոնք միացված են ցանցի բոլոր հանգույցներին՝ օգտագործելով տարբեր կապեր և ունեն իրենց «կշիռը», որն ազդում է փոխանցվող ազդանշանի ուժի վրա: Այս ճարտարապետությունը թույլ է տալիս տվյալների զուգահեռ մշակում և մշտական ​​համեմատություն յուրաքանչյուր փուլում մշակման արդյունքների հետ:

Նյարդային ցանցերը սկզբում վերապատրաստվում են պիտակավորված տվյալների հավաքածուների վրա՝ ակնհայտ օրինաչափություններով, այնուհետև ձեռք բերված հմտություններն օգտագործում են իրենց մարզելու և արդյունքների հասնելու համար: Այս դեպքում նեյրոնային ցանցը կարող է միլիոնավոր փորձեր կատարել՝ հասնելու նույն արդյունքներին, ինչ օրինակում տրված ուսուցման համար։

Նեյրոնային ցանցի աշխատանքը համեմատելի է մարդու գործողությունների հետ․ երբ անծանոթ առարկայի հետ առերեսվում է, նա ճանաչում է դրա հատկությունները և եզրակացություններ անում։ Նմանատիպ գործընթացներ տեղի են ունենում նեյրոնային ցանցերի հանգույցներում, երբ որոշակի խնդիր լուծելով՝ նրանք օգտագործում են ձեռք բերված փորձը հետագա ուսուցման համար։

Նյարդային ցանցերի տեսակները

Գոյություն ունեն նեյրոնային ցանցերի տասնյակ տեսակներ, որոնք տարբերվում են ճարտարապետությամբ, գործառնական առանձնահատկություններով և կիրառման ոլորտներով: Միևնույն ժամանակ, երեք տեսակի ցանցեր ավելի տարածված են, քան մյուսները.

• Ուղղակի բաշխման նեյրոնային ցանցեր (անգլերեն՝ Feed forward neural networks, FFNN) — Նյարդային ցանցի ուղղագիծ տեսակ, որտեղ շերտի հարևան հանգույցները միացված չեն, և տեղեկատվությունը մուտքային շերտից ուղղակիորեն փոխանցվում է ելքային շերտ: FFNN-ները քիչ ֆունկցիոնալություն ունեն, ուստի դրանք հաճախ օգտագործվում են այլ տեսակի ցանցերի հետ համատեղ:
• Կոնվոլյուցիոն նեյրոնային ցանցեր (անգլերեն՝ Convolutional neural network, CNN) — Կովոլյուցիոն նեյրոնային ցանցերն օգտագործվում են պատկերների դասակարգման, օբյեկտների ճանաչման, կանխատեսման, բնական լեզվի մշակման և այլ առաջադրանքների համար: Բաղկացած է հինգ տեսակի շերտերից՝ մուտքային, մակարդող, միավորող, միցած, ելքային։ Շերտերից յուրաքանչյուրը կատարում է որոշակի խնդիր, օրինակ՝ տվյալների ամփոփում կամ միացում:
• Պարբերական նեյրոնային ցանցեր (անգլերեն՝ Recurrent neural network, RNN) — Օգտագործում են ուղղորդված հաղորդակցության հաջորդականությունը հանգույցների միջև: RNN-ում յուրաքանչյուր քայլի հաշվողական արդյունքն օգտագործվում է որպես հաջորդ քայլի մուտքագրում: Դրա շնորհիվ պարբերական/կրկնվող նեյրոնային ցանցերը կարող են ժամանակի կամ հաջորդականության ընթացքում մշակել մի շարք իրադարձություններ՝ հաշվողական արդյունք ստանալու համար: RNN-ներն օգտագործվում են լեզվի մոդելավորման և տեքստի ստեղծման, մեքենայական թարգմանության, խոսքի ճանաչման և այլ խնդիրների համար:

Խնդիրների տեսակները, որոնք լուծում են նեյրոնային ցանցերը

Կան մի քանի հիմնական տեսակի խնդիրներ, որոնց համար կարող են օգտագործվել նեյրոնային ցանցերը:

• Դասակարգում — Դեմքերի, հույզերի, առարկաների տեսակների ճանաչման համար՝ օրինակ՝ քառակուսիներ, շրջաններ, եռանկյուններ։ Նաև օրինաչափությունների ճանաչման համար, այսինքն՝ առաջարկվող հավաքածուից որոշակի օբյեկտ ընտրելը, օրինակ՝ եռանկյունների միջև քառակուսի ընտրելը:
• Հետընթաց — Լուսանկարից տարիքը որոշելու համար, կանխատեսեք ֆոնդային փոխարժեքները, գնահատեք գույքի արժեքը և այլ առաջադրանքներ, որոնք պահանջում են մշակման արդյունքում որոշակի թիվ ստանալ:
• Ժամանակային շարքերի կանխատեսում — Երկարաժամկետ կանխատեսումներ կատարել՝ հիմնված արժեքների դինամիկ ժամանակային շարքի վրա: Օրինակ՝ նեյրոնային ցանցերն օգտագործվում են գների, ֆիզիկական երևույթների, սպառման ծավալների և այլ ցուցանիշների կանխատեսման համար։ Իրականում, նույնիսկ Tesla-ի ավտոպիլոտի աշխատանքը կարելի է վերագրել ժամանակային շարքերի կանխատեսման գործընթացին։
• Կլաստերավորում — Չպիտակավորված տվյալների մեծ ծավալի ուսումնասիրման և տեսակավորման համար այն պայմաններում, երբ ելքային դասերի քանակը անհայտ է, այսինքն՝ տվյալների համադրման համար ըստ բնութագրերի։ Օրինակ, կլաստերավորումն օգտագործվում է պատկերների դասերի և հաճախորդների սեգմենտավորման համար:
• Գեներացում — Բովանդակության ավտոմատ ստեղծման կամ փոխակերպման համար: Նյարդային ցանցերի օգտագործմամբ սերունդն օգտագործվում է յուրահատուկ տեքստեր, աուդիո ֆայլեր, տեսանյութեր ստեղծելու, սև ու սպիտակ ֆիլմերը գունավորելու և նույնիսկ լուսանկարում միջավայրը փոխելու համար:

Նյարդային ցանցերը, ի տարբերություն այլ արհեստական ​​ինտելեկտի ալգորիթմների, ծրագրավորված չեն հատուկ առաջադրանքներ կատարելու համար, այլ պարզապես կազմաձևված են տեղեկատվության ուսումնասիրման համար: Նեյրոնային ցանցերի ուսուցման ռազմավարությունը հիմնված է երեք մեթոդների վրա.

• Վերահսկվող ուսուցում — Դասական ուսուցման մոդել, որն օգտագործում է պիտակավորված տվյալների մի շարք, որը ցույց է տալիս ալգորիթմը, թե ինչ և ինչպես պետք է այն լինի: Թրեյնինգը շարունակվում է այնքան ժամանակ, մինչև ալգորիթմը ամբողջությամբ վերակառուցվի կոնկրետ խնդիրների լուծման համար և ստացվի ցանկալի արդյունք:
• Ուսուցում առանց վերահսկողության — Ուսուցման ռազմավարություն, որն օգտագործվում է այն իրավիճակներում, երբ չկան պիտակավորված տվյալների հավաքածուներ: Այս մոդելում նեյրոնային ցանցը կատարում է վերլուծությունը, այնուհետև ստանում է ներքին հաշվետվություն հաշվարկի ճշգրտության վերաբերյալ: Եթե ​​արժեքը բավարար չէ, նեյրոնային ցանցն ուժեղանում է և կրկնում է գործողությունը:
• Ուժեղացված ուսուցում — Մոդել, որում նեյրոնային ցանցն ուժեղանում է, երբ դրական արդյունք է ստանում և պատժվում սխալ հաշվարկների համար։

Ինչպես են ուսուցանում/մարզում նեյրոնային ցանցերը

Երբ նեյրոնային ցանցը պատրաստ է և սկզբնավորվում է, այն ունի պատահական կշիռներ. դրանք դեռ չեն հարմարեցվել ցանկալի արդյունքին: Նման նեյրոնային ցանցը կոչվում է չմարզված: Նա պետք է մարզվի որոշակի բաներ անելու համար: Ուսուցման գործընթացը կարող է լինել ձեռքով կամ ավտոմատ և սովորաբար այսպիսի տեսք ունի. նեյրոնային ցանցին որպես մուտքագրվում են տարբեր տվյալներ, այն վերլուծում է դրանք, իսկ հետո ասվում է, թե որն է ճիշտ պատասխանը։

Ցանցը նախագծված է այնպես, որ այն «ձգտի» կարգավորել սինապսների կշիռները՝ ճիշտ արդյունքներ ստանալու համար։ Արդյունավետ ուսուցումը պահանջում է շատ կրկնություններ: Հակառակ դեպքում, նեյրոնային ցանցը սխալ կաշխատի. ի վերջո, մուտքային տվյալները կարող են զգալիորեն տարբերվել, և այն կվերապատրաստվի միայն մեկ հնարավոր տարբերակի համար: Հետևաբար, ուսուցումն իրականացվում է մի քանի կրկնություններով և դարաշրջաններում:

Վերադառնալ բառարանի հիմնական էջ