شبكة عصبية واعدة أم مجرد هراء آخر؟

نحن ، فريق تطوير صغير من أحد أقسام YaKurier ، أردنا حقًا المساهمة في التطور السريع لمساحة التقنيات غير المأهولة. اشتروا سيارة بريوس للتجريب ، قليلًا من المحيط ، تصوروا خدعتهم الخاصة مع تركيز نظام ذكي ، يحاكي انتباه السائق. بدأنا. وماذا عن نظام الرؤية الحاسوبية الذكي نفسه ، ومعه ، النظام "الخفيف" الذي يضمن اكتشاف الحداثة ، أي هذا الاهتمام بالذات؟

TensorFlow أو شيء مشابه - جاهز؟ توضح العديد من التجارب أنه بالنسبة للحالات الديناميكية متعددة العوامل مع إعادة ترتيب مصفوفات الإدخال ، والعديد من المهام الفرعية ، وعدم اليقين الواضح للعديد من فئات البيانات المعترف بها ، وقابلية التوسع الحتمية للنظام أثناء التطوير ، مع الرغبة في إضافة طبقات وطبقات مؤلفك ، يكون الخيار "جاهز" ، ومن الغريب ، يتطلب العرق والدم والميزانيات والإحباط من الأخطاء في الخطوات الأولى التي تفسد كل شيء والتي لم يعد بالإمكان إصلاحها (إلا باستخدام عكازات مزعجة). وبما أننا فريق ساذج إلى حد ما ، فقد قررنا اللعب بطريقتنا الخاصة. هناك رأي مفاده أن النقطة ليست في TensorFlow ، ولكن في التكنولوجيا التي تطبقها ، وسنكون قادرين على تبسيط شيء ما وتحسينه وتغيير شيء ما تمامًا.

لنتحدث أولاً عن مناهج التصنيف والتعرف على الأنماط ، فنحن على يقين من أنك تعرف كل شيء عنها ، ولكن إلى أين يمكنك الذهاب بدون محدد العيون. سوف نتمسك بمزيد من التجريدات والتصورات البشرية بدلاً من التحدث بلغة رياضية صارمة ونأخذ حالة مجردة للتعرف على الخيار والطماطم التقليدية.

التصنيف والتعرف على الأنماط

بحذف طرق استخراج أي علامات لأجسام تجريبية ، ضع في اعتبارك الحالة عندما نعرف بشكل رائع كيفية قياس اثنين منهم: اللون (من الأحمر إلى الأصفر إلى الأخضر) والشكل الإهليلجي (كنسبة من المحاور). بقول "قياس" ، يشير أي مهندس إلى أنه يمكنه ربط علامة / ظاهرة / قيمة بوضوح برقم ، ولكن نظرًا لأن لدينا اثنتين منهما ، وهما مستقلتان تمامًا ، أي أن اللون لا يمكن أن يشير إلى شكل ، فيمكننا تصوير نظام إحداثيات مستطيل و تتحدث عن النقاط أو المتجهات الموجودة فيها ، والتي تتوافق مع لونها x_1 وشكلها x_2.

, , x_1: (-1), (+1); x_2: (-1), () 1/5 (+1). – , – , . , , , , , 1 {(x_1=0,53@x_2=0,77)} – , 2 {(x_1=-0,51@x_2=-0,82)} – .

, , – – 2 . , , , -, , -, , , , , , , 900 (3030 px) , 900- . , , , (, ).

? , . , , , - ? , , . , . , , : , , , , , :

, 4- , .. N- .

II-

, , . , , , . :

: Ax+By+C=0, A, B C w_1, w_2 -v_1, {x;y} {x_1;x_2 }. , N- – N-1. 0, () , , – « », – « », () – . «», «» «- » , - , (. ). . , , . .

0, «» « », «», «» « » « » 1- .

w (k)/j, , N- – . , , , . , 0 1 .

– , ( , – ):

– , , ( ), Ax2+By2+Cxy+Dx+Ey+F=0, . - , , ( , ). , / , , . .

, - . – , , , – , – . : S-, A-, R- . , , MNIST, : , , :

/ …

! , 1- :

. . -, , , , , (cost function) , , , . , - , «» , , , , , , , , , , , , – ( – , – ):

-, , , , , - , . , , , , , . . . 2-- - :

? , x_1: – (-1), – (+1); x_2: – (-1), 1/5 – (+1). , 2- - , , 900- ? , 1- , – . , . , II- – , , .

. , , , , . . , , .

, , , , .

, , , , : , , , / , , . , , , , , , , , , , - .

. ? -, , , -, , , , . , , . , , , – .

? {0;0;0} {2;0;2} , {2;2;0} – . , , . , , , , , , , .. , . , , , , , , , , .

. , , , , , , , , .

:

w_i – , b_i – , . h. , /, , – .

? , , , , , – . . , , , , , GPU CUDA.

MNIST, 28x28 px. 10 10 , , – . , , .

, , , , , 30÷60 .

, , , . – MNIST, – , – .

, , . , , .

« » .

( « »), , « » « ». , , , , «».

, , , (), , , ( , ). , TensorFlow 2- , , MNIST 2,6%, . , .

MNIST (10 000 ) « ».

, + 25%:

:

:

• ;
• , , , .

:

• , , , , ;
• ;
• , , ;
• .
  
  , , , , , .

حسنًا ، ما علاقة التكنولوجيا غير المأهولة المذكورة في البداية بها؟ نحن واثقون من أن شبكتنا الذكية سوف تجد تطبيقاتها الرئيسية في هذا المجال ، مما يسمح لنا بالتغلب على الحواجز القائمة المرتبطة بالتعددية والتنوع وعدم التجانس في إدراك البيئة والاعتراف بها.