Co jsou neuronové sítě?

Co jsou umělými neuronovými sítěmi (ANN)?

Mnohé z největších pokroků v oblasti umělé inteligence jsou poháněny umělými neuronovými sítěmi. Umělé neuronové sítě (ANN) jsou spojením matematických funkcí, které jsou spojeny dohromady v podobě inspirované neuronovými sítěmi, které se nacházejí v lidském mozku. Tyto ANN jsou schopny extrahovat složité vzory z dat, aplikovat tyto vzory na neviditelná data, aby je klasifikovaly nebo rozpoznaly. Díky tomu se stroj “učí”. To je rychlý přehled o neuronových sítích, ale pojďme se podívat blíže na neuronové sítě, abychom lépe pochopili, co jsou a jak fungují.

Vysvětlivka multi-layer perceptronu

Než se podíváme na složitější neuronové sítě, chvíli se zastavíme u jednoduché verze ANN, multi-layer perceptron (MLP).

Představte si výrobní linku v továrně. Na této lince jeden pracovník obdrží předmět, provede einige úpravy a poté ho předá dalšímu pracovníkovi, který totéž provede. Tento proces pokračuje, dokud poslední pracovník na lince nedokončí předmět a nedá ho na pás, který ho vyveze z továrny. V této analogii existují multiple “vrstvy” výrobní linky a produkty se pohybují mezi vrstvami, jak se pohybují od pracovníka k pracovníku. Výrobní linka má také vstupní a výstupní bod.

Hluboké neuronové sítě

Hluboké neuronové sítě berou základní formu MLP a dělají ji větší přidáním více skrytých vrstev uprostřed modelu. Místo toho, aby existovala vstupní vrstva, skrytá vrstva a výstupní vrstva, existuje mnoho skrytých vrstev uprostřed a výstupy jedné skryté vrstvy se stávají vstupy pro další skrytou vrstvu, dokud data neprojdou celou sítí a nejsou vrácena.

Mnohé skryté vrstvy hluboké neuronové sítě jsou schopny interpretovat složitější vzory než tradiční multilayer perceptron. Různé vrstvy hluboké neuronové sítě se učí vzory různých částí dat. Pokud jsou vstupní data například obrázky, první část sítě může interpretovat jasnost nebo tmavost pixelů, zatímco pozdější vrstvy budou vybírat tvary a hrany, které lze použít k rozpoznání objektů na obrázku.

Různé typy neuronových sítí

Existuje mnoho typů neuronových sítí a každý typ má své vlastní výhody a nevýhody (a tedy i své vlastní použití). Typ hluboké neuronové sítě, který je popsán výše, je nejčastější typ neuronové sítě a často se nazývá feedforward neuronová síť.

Jedna varianta neuronových sítí je Recurrent Neural Network (RNN). V případě RNN se používají smyčky k uchování informací z předchozích stavů analýzy, což znamená, že mohou interpretovat data, kde pořadí záleží. RNN jsou užitečné pro odvozování vzorů z sekvencí/chronologických dat. RNN mohou být buď unidirekční nebo bidirekční. V případě bidirekční neuronové sítě může síť přijímat informace z pozdějších částí sekvence, stejně jako z dřívějších částí sekvence. Protože bidirekční RNN bere v úvahu více informací, je lépe schopna odvodit správné vzory z dat.

Konvoluční neuronová síť je speciální typ neuronové sítě, který je schopen interpretovat vzory nalezené v obrazech. CNN funguje tak, že prochází filtrem přes pixely obrázku a dosahuje numerické reprezentace pixelů v obražku, kterou může poté analyzovat na vzory. CNN je strukturována tak, aby konvoluční vrstvy, které extrahují pixely z obrázku, přišly první a poté následují hustě propojené feedforward vrstvy, které se skutečně naučí rozpoznávat objekty, které následují po tomto.